复旦发布 WorkRover：递归环境演化破局长程协作智能体，JobBench 准确率飙涨 26.27%

核心背景与行业痛点

在多工具协作、复杂文档处理与跨部门办公等长程协同智能体（Cowork Agents）任务中，强化学习（RL）是释放智能体长期规划能力的必由之路。然而，这类智能体的训练严重依赖高度拟真、可验证的交互式环境。传统的环境构建流水线存在根本性缺陷：环境通常在初次生成后便处于冻结状态；一旦任务存在缺陷，修复任务往往需要同步修改庞大的工作上下文（Work Context）与底层事实核查验证器（Verifier）。现有方案无法支持组件间的递归精炼，极易导致任务需求与验证代码脱节，产生大量的奖励黑客（Reward Hacking）与伪成功样本。

架构亮点与底层机制

针对上述系统性难题，复旦大学 NLP 团队研发了 WorkRover 框架，通过环境递归演化为长程智能体提供高质量训练土壤：

1. Harness 驱动的双向构造智能体：构造 Agent 摆脱死板的固定工作流，根据工作区实际状态与命令执行反馈，动态且联合地构建语义对齐的工作上下文、可执行任务和有据可查的验证器；
2. 因子兼容重放机制（Factorial Compatibility Replay, FCR）：利用智能体执行反馈对所有组件修改的排列组合进行依赖闭包重放评估，自动筛选出满足任务约束且改动量最小的有效修复组合，确保环境演化不偏离真实业务逻辑；
3. 验证器-轮次信用分配（Verifier-to-Turn Credit Assignment, VTCA）：彻底打破传统 GRPO 仅在整条轨迹末尾发放粗粒度奖励的局限，通过监控工作区确定性进展，并结合记录的工具输出与文件产物依赖图，将进展奖励精准向后溯源分配给关键的前置触发轮次。

权威 Benchmark 与实测跑分对比

基于 WorkRover 框架，团队对 Qwen3.5-35B-A3B 进行了后训练微调，诞生了 WorkRover-35B-A3B，并在多个高难度办公与协同基准上刷新纪录：

• JobBench 性能狂飙 26.27%：在模拟真实跨岗位长链路业务交接的 JobBench 基准上，WorkRover 相比原生基座模型提升了整整 26.27 个百分点；
• OfficeQA Pro 准确率激增 29.32%：在涉及复杂 Excel、Word 与多表格联动推演的 OfficeQA Pro 上，得分暴涨 29.32%，展现出对长文档与复杂业务逻辑的极致掌控；
• GDPval v2 竞技场暴涨 413.25 Elo：在真实人机协作评估中，Elo 天梯分跃升 413.25 点，大幅拉开了与通用前沿大模型在多步骤协作场景下的差距。

开发者实战落地与开箱指南

WorkRover 为构建自动化办公 Agent、数据分析协同助手提供了极为关键的技术参考：

• 论文技术剖析：开发者可通过 arXiv 预印本（arXiv:2610.18067）深入了解 FCR 依赖闭包搜索算法与 VTCA 优势权重计算细节；
• 解决复杂奖励稀疏难题：在训练涉及多个关联脚本或长链条操作的垂直领域 Agent 时，强烈建议引入 VTCA 产物依赖图反向追溯信用分配，避免中间有效探索被末端偶然失败一票否决；
• 测试环境持续演化：在企业内部自动化测试体系中，可借鉴 WorkRover 的动态验证器微调方案，随业务接口变动自动更新沙箱验收规则。