这项由南京大学人工智能学院、美团等多个研究机构团结完成的研究揭晓于2026年2月，，，，，，，，论文编号为arXiv:2602.06820v1。。。。。。。。研究团队开发了一个名为ScaleEnv的全新框架，，，，，，，，这个框架就像是为AI智能体搭建了一个无限扩展的虚拟天下训练�。。。。。。。。�，，，，，，让AI能够在其中自主学习并掌握种种重大的工具使用手艺。。。。。。。。
想象一下，，，，，，，，若是你要教会一个孩子使用种种工具——从简朴的铰剪、锤子，，，，，，，，到重大的电脑软件、手机应用——古板的要领是找到现成的工具让孩子训练，，，，，，，，但往往面临工具种类有限、训练情形不敷清静、本钱高昂等问题。。。。。。。。ScaleEnv就像是创立了一个邪术天下，，，，，，，，在这个天下里可以凭空天生恣意数目和种类的虚拟工具，，，，，，，，让AI智能体在完全清静的情形中重复训练，，，，，，，，直到熟练掌握。。。。。。。。
古板的AI训练方法就像让学生只能在牢靠的课堂里学习牢靠的课程，，，，，，，，而ScaleEnv则像是制作了一座可以无限扩展的学校，，，，，，，，每当需要新的学科或新的实验室时，，，，，，，，都能连忙凭空建设出来。。。。。。。。这种要领的革命性在于，，，，，，，，它不再依赖于现有的、有限的训练情形，，，，，，，，而是能够凭证需要自动天生种种重大的、可交互的虚拟情形。。。。。。。。
研究团队面临的焦点挑战就像是要制作一座既要无比真实又要绝对可靠的虚拟游乐园。。。。。。。。这座游乐园里的每一个项目都必需能够正常运转，，，，，，，，每一个道具都要经得起重复使用，，，，，，，，并且还要能够凭证需要随时增添新的设施。。。。。。。。更主要的是，，，，，，，，在这个虚拟天下中学到的手艺，，，，，，，，必需能够在真实天下中派上用场。。。。。。。。
一、破解情形稀缺难题：从无到有创立训练天下
在AI智能体的训练历程中，，，，，，，，最大的瓶颈就像是想教会孩子游泳却找不到足够的游泳池。。。。。。。。现有的训练情形主要分为三类，，，，，，，，每类都有致命的局限性。。。。。。。。
第一类是真实天下的情形和工具。。。。。。。。这就好比直接让孩子在真正的工厂里学习操作机械——虽然真实性无可挑剔，，，，，，，，但清静危害极高，，，，，，，，本钱腾贵，，，，，，，，并且可用的工具和场景很是有限。。。。。。。。更严重的是，，，，，，，，若是AI在学习历程中泛起过失操作，，，，，，，，可能会造成真实天下的损失或危险。。。。。。。。就像让新手直接开真车上路一样，，，，，，，，既危险又不现实。。。。。。。。
第二类是让其他AI来模拟情形的反响。。。。。。。。这种要领就像是用一个机械人来饰演种种角色给学生训练对话——看起来很利便，，，，，，，，本钱也不高，，，，，，，，但问题是这个"机械人演员"自己也会蜕化，，，，，，，，经� ；；；；；；；；岣霾磺泻舷终嫦嘈蔚姆从�。。。。。。。。更糟糕的是，，，，，，，，AI模拟器容易爆发幻觉，，，，，，，，就像一个不太靠谱的替身演员，，，，，，，，演着演着就最先即兴施展，，，，，，，，偏离了原本的剧本。。。。。。。。
第三类是现有的一些合成情形框架。。。。。。。。虽然这些框架能天生一些简朴的训练场景，，，，，，，，但就像只能搭建积木屋子的玩具套装一样，，，，，，，，功效有限，，，，，，，，无法创立出重大真实的交互情形。。。。。。。。并且这些框架往往依赖于现有的文档和手工制作的内容，，，，，，，，就像厨师只能凭证现有的菜谱做菜，，，，，，，，无法凭证食材的现真相形无邪调解。。。。。。。。
ScaleEnv的突破性就在于它能够完全从零最先，，，，，，，，仅仅凭证一个领域的简朴要害词（好比"求职"），，，，，，，，就能自动构建出一个完整的、功效齐全的虚拟训练情形。。。。。。。。这个历程就像是邪术师仅仅听到"森林"这个词，，，，，，，，就能凭空创立出一片完整的森林，，，，，，，，内里有种种树木、动物、小径，，，，，，，，并且每一样工具都是真实可用的。。。。。。。。
研究团队解决这个问题的要领很是巧妙。。。。。。。。他们让AI系统分两个阶段事情。。。。。。。。第一阶段叫做"域基础建设"，，，，，，，，就像是先设计并制作游乐园的基础设施——确定有哪些游戏项目、每个项目怎么运作、项目之间怎样毗连。。。。。。。。第二阶段叫做"使命构建"，，，，，，，，就像是在建好的游乐园里设计种种好玩的游戏和挑战，，，，，，，，让AI智能体有详细的目的去训练和学习。。。。。。。。
整个历程最要害的立异在于"程序化测试"机制。。。。。。。。就像质检员会重复测试每一个游乐设施确保清静一样，，，，，，，，ScaleEnv会自动测试天生的每一个虚拟工具和情形，，，，，，，，确保它们都能正常事情，，，，，，，，不会在要害时刻泛起故障。。。。。。。。这种严酷的质量控制机制确保了AI在虚拟情形中学到的手艺能够在真实天下中可靠地施展作用。。。。。。。。
二、双阶段构建法：像盖屋子一样系统化建设
ScaleEnv的事情原理就像制作一座重大的主题公园，，，，，，，，需要经由全心设计的两个阶段。。。。。。。。第一阶段是打地基、搭框架，，，，，，，，第二阶段是装修、安排详细的游乐设施。。。。。。。。
在第一阶段的"可执行图构建"中，，，，，，，，系统就像一个履历富厚的修建师，，，，，，，，仅仅凭证"求职"这样一个简朴的要害词，，，，，，，，就能设计出整个主题公园的蓝图。。。。。。。。首先，，，，，，，，系统会剖析这个领域需要什么样的工具。。。。。。。。在求职领域，，，，，，，，可能需要"搜索职位"、"提交申请"、"安排面试"、"纪录反响"等种种工具。。。。。。。。这就像确定主题公园里需要过山车、旋转木马、碰碰车等差别的游乐项目。。。。。。。。
接下来，，，，，，，，系统会设计支持这些工具运行所需的"数据库"，，，，，，，，就像为每个游乐项目设计响应的控制室和维护设施。。。。。。。。好比，，，，，，，，"提交申请"这个工具需要一个存储申请纪录的地方，，，，，，，，"安排面试"需要一个治理时间安排的系统。。。。。。。。系统会自动推导出需要哪些数据表，，，，，，，，每个内外应该包括什么信息，，，，，，，，表与表之间是什么关系。。。。。。。。
最神奇的部分是"程序化测试"机制。。。。。。。。就像游乐园在正式开放前会让工程师重复测试每个项目一样，，，，，，，，ScaleEnv会为每个天生的工具自动编写测试用例，，，，，，，，然后现实运行这些测试，，，，，，，，确保一切都能正常事情。。。。。。。。若是发明问题，，，，，，，，系统会自动找到bug并修复，，，，，，，，就像有一个永不疲倦的维修工程师在一直完善设施。。。。。。。。
这个测试历程很是严酷，，，，，，，，涵盖三种情形。。。。。。。。第一种是正常使用情形，，，，，，，，就像测试过山车在标准操作下能否正常运行。。。。。。。。第二种是预期的过失情形，，，，，，，，好比测试当用户输入过失信息时系统能否准确处置惩罚，，，，，，，，就像测试游乐设施的清静� ；；；；；；；；ぷ爸�。。。。。。。。第三种是意外故障情形，，，，，，，，若是泛起了不应该爆发的过失，，，，，，，，系统会自动剖析问题并举行修复。。。。。。。。
经由严酷测试后，，，，，，，，系统会构建一个"工具依赖图"，，，，，，，，就像绘制主题公园的地图一样，，，，，，，，标明哪些项目之间有联系，，，，，，，，游客应该凭证什么顺序体验差别的项目。。。。。。。。好比，，，，，，，，在求职领域，，，，，，，，通常需要先"搜索职位"，，，，，，，，然后"提交申请"，，，，，，，，接着可能需要"安排面试"。。。。。。。。这个依赖图为后续的使命设计提供了逻辑基础。。。。。。。。
第二阶段的"使命实例化"就像是在建好的主题公园里设计种种有趣的挑战游戏。。。。。。。。系统会从工具依赖图中选择一条路径作为"种子链"，，，，，，，，好比选择"搜索职位→提交申请→安排面试"这样一个基本流程。。。。。。。。然后围绕这个流程设计详细的使命情景，，，，，，，，就像设计一个闯关游戏，，，，，，，，每一关都有明确的目的和挑战。。。。。。。。
为了让训练越发真实有用，，，，，，，，系统还会在情形中加入"滋扰数据"，，，，，，，，就像在寻宝游戏中安排一些假的宝藏来增添难度。。。。。。。。这样AI智能体就不可简朴地记着谜底，，，，，，，，而是必需学会真正的推理和判断能力。。。。。。。。好比在求职数据库中，，，，，，，，除了用户真正应该申请的职位外，，，，，，，，还会有许多其他职位信息，，，，，，，，AI需要学会筛选和判断。。。。。。。。
整个构建历程的巧妙之处在于，，，，，，，，它不是简朴地组装现有的组件，，，，，，，，而是凭证领域的内在逻辑自动天生一个有机统一的训练情形。。。。。。。。就像大自然中的生态系统，，，，，，，，每个部分都与其他部分相互依存，，，，，，，，形成一个重大但协调的整体。。。。。。。。
三、严酷质检机制：确保虚拟训练的真实有用
ScaleEnv最令人印象深刻的特点之一就是它极其严酷的质量控制机制，，，，，，，，就像一个细密工厂的质检部分，，，，，，，，确保每一件产品都切合最高标准。。。。。。。。
古板的AI训练情形经常面临一个尴尬的问题：AI在训练时体现很好，，，，，，，，但一到真实场景就"掉链子"。。。。。。。。这就像学生在训练册上做题都对，，，，，，，，但考试时却一再蜕化。。。。。。。。问题的泉源在于训练情形与真真相形之间保存差别，，，，，，，，或者训练题自己就有过失。。。。。。。。
ScaleEnv通过立异的"执行级验证"机制解决了这个问题。。。。。。。。系统不但仅天生工具的形貌和接口，，，，，，，，更主要的是天生真正可以运行的代码。。。。。。。。这就像不但仅画出了机械的设计图，，，，，，，，还真的制造出了这台机械，，，，，，，，并且重复测试它的每一个功效。。。。。。。。
详细来说，，，，，，，，当系统天生一个"提交求职申请"的工具时，，，，，，，，它不但会界说这个工具需要什么输入参数（好比申请人姓名、目的职位、简历内容等），，，，，，，，还会编写现实的程序代码来实现这个功效。。。。。。。。然后，，，，，，，，系统会自动天生州测试场景，，，，，，，，就像模拟种种可能的使用情形。。。。。。。。
测试历程就像一个详尽入微的实验室。。。。。。。。系统会准备好测试用的数据库，，，，，，，，内里包括种种模拟的职位信息、申请纪录等。。。。。。。。然后运行"提交申请"工具，，，，，，，，检查效果是否切合预期。。。。。。。。若是工具应该在数据库中建设一条新的申请纪录，，，，，，，，系统会检查这条纪录是否真的被建设了，，，，，，，，内容是否准确，，，，，，，，名堂是否切合要求。。。。。。。。
更主要的是，，，，，，，，系统还会测试种种界线情形和过失情形。。。。。。。。好比，，，，，，，，若是用户试图申请一个不保存的职位会怎样？？ ？？？ ？？？若是申请信息缺少须要字段会怎样？？ ？？？ ？？？若是统一小我私家重复申请统一个职位会怎样？？ ？？？ ？？？这些测试确保了工具在种种情形下都能给出合理的响应，，，，，，，，就像汽车需要通过种种极端条件下的清静测试一样。。。。。。。。
当发明问题时，，，，，，，，系统会启动自动调试机制。。。。。。。。就像有一个永不疲倦的程序员在一直修复bug，，，，，，，，系统会剖析过失信息，，，，，，，，找出问题所在，，，，，，，，然后修改代码重新测试。。。。。。。。这个历程会一连举行，，，，，，，，直到所有测试都通过为止。。。。。。。。
除了单个工具的测试，，，，，，，，系统还会测试工具之间的协作。。。。。。。。好比，，，，，，，，"搜索职位"找到的职位信息能否被"提交申请"工具准确使用？？ ？？？ ？？？"安排面试"能否准确关联到之条件交的申请？？ ？？？ ？？？这种集成测试确保了整个系统的协调一致，，，，，，，，就像交响乐团的每个乐手不但要演奏好自己的部分，，，，，，，，还要与其他乐手完善配合。。。。。。。。
为了进一步提高训练的有用性，，，，，，，，ScaleEnv还接纳了基于规则的奖励机制，，，，，，，，而不是依赖其他AI来判断体现优劣。。。。。。。。这就像用准确的仪器来丈量学生的效果，，，，，，，，而不是依赖主观评判。。。。。。。。系统会检查AI智能体的操作效果是否真正改变了数据库的状态，，，，，，，，改变是否切合预期的目的。。。。。。。。
好比，，，，，，，，若是使命是让AI资助用户申请一个特定的职位，，，，，，，，系统会检查最终的数据库中是否真的有了这个申请纪录，，，，，，，，纪录中的信息是否准确完整。。。。。。。。这种客观的评判标准阻止了主观判断可能带来的误差，，，，，，，，确保AI学到的是真正有用的手艺。。。。。。。。
四、情形扩展战略：从简朴到重大的生长路径
ScaleEnv在使命设计方面接纳了一种很是智慧的"滚雪球"战略，，，，，，，，就像教孩子学习一样，，，，，，，，从简朴的单个手艺最先，，，，，，，，逐渐组合成重大的综合能力。。。。。。。。
最初，，，，，，，，系统会设计一个基础的使命链，，，，，，，，好比"搜索职位→提交申请→安排面试"这样一个简朴的三步流程。。。。。。。。这就像教孩子先学会走路，，，，，，，，然后学会跑步，，，，，，，，最后学会跳跃。。。。。。。。可是，，，，，，，，若是训练情形过于简朴，，，，，，，，AI可能会太过依赖这个牢靠模式，，，，，，，，就像只会背诵标准谜底的学生，，，，，，，，一旦遇到转变就不知所措。。。。。。。。
为了阻止这个问题，，，，，，，，ScaleEnv接纳了"依赖感知拓扑扩展"战略。。。。。。。。系统会围绕基础使命链，，，，，，，，逐步加入相关的工具和功效，，，，，，，，就像在基础课程之外增添选修课和实践课。。。。。。。。但这种扩展不是随意举行的，，，，，，，，而是严酷凭证逻辑依赖关系来举行。。。。。。。。
好比，，，，，，，，若是基础链中有"安排面试"这个办法，，，，，，，，系统可能会加入"纪录面试反响"、"跟进面试效果"、"安排二轮面试"等相关功效。。。。。。。。这些新功效必需能够与现有的工具协同事情，，，，，，，，就像新加入乐团的乐手必需能够与现有成员协调配合。。。。。。。。
系统使用一个智能的"门控战略"来决议是否继续扩展情形。。。。。。。。这就像一个履历富厚的教练，，，，，，，，会凭证学生的学习进度和能力来决议是否增添新的训练项目。。。。。。。。门控战略思量三个要害指标：结构重大性、可行性评分和可用工具数目。。。。。。。。
结构重大性就像评估目今训练情形的富厚水平。。。。。。。。若是情形中的工具和功效已经足够重大，，，，，，，，能够支持州差别的学习使命，，，，，，，，可能就不需要再添加更多内容。。。。。。。。这阻止了"功效过载"的问题，，，，，，，，就像不会给初学者安排过于重大的课程。。。。。。。。
可行性评分则像一个现实检查器。。。。。。。。系统会使用一个强盛的"预言机"（现实上是一个高性能的AI模子）来评估在目今情形中设计新使命的可能性。。。。。。。。若是发明很难在现有情形中创立出有意义的新挑战，，，，，，，，系统就会思量扩展情形。。。。。。。。
可用工具数目提供了一个基础包管。。。。。。。。系统确保训练情形中至少有20个差别的工具，，，，，，，，这样AI智能体就有足够的选择空间来学习和探索。。。。。。。。就像确保游乐园里有足够多的项目，，，，，，，，让游客有富厚的体验选择。。。。。。。。
当系统决议扩展情形时，，，，，，，，它会实验天生新的工具链，，，，，，，，然后将这些新链条整合到现有情形中。。。。。。。。这个历程就像在已有的都会基础设施上建设新的区域，，，，，，，，新区域必需与旧区域有优异的毗连，，，，，，，，整体妄想要协调统一。。。。。。。。
为了确保扩展的质量，，，，，，，，系统对每个新增的工具都会举行同样严酷的测试，，，，，，，，并验证它与现有工具的兼容性。。。。。。。。这就像新建的蹊径必需与现有的交通网络无缝衔接，，，，，，，，不可造成交通杂乱。。。。。。。。
整个扩展历程的巧妙之处在于它坚持了情形的一致性和完整性。。。。。。。。不是简朴地堆砌功效，，，，，，，，而是创立了一个有机的、逐渐重大化的学习生态系统。。。。。。。。AI智能体可以从简朴使命最先，，，，，，，，随着能力的提升逐渐挑战更重大的综合性使命，，，，，，，，就像从小学一年级逐步升到大学的学习历程。。。。。。。。
五、实战验证：从训练场到真实天下的完善跨越
研究团队在ScaleEnv上训练的AI智能体在真实天下测试中的体现，，，，，，，，就像一个在驾校学车的学生第一次上路就能熟练驾驶一样令人惊喜。。。。。。。。
团队使用了两个完全自力的测试基准来验证训练效果：τ?-Bench和VitaBench。。。。。。。。这就像让学生加入两种完全差别的考试——一种测试规则遵照能力，，，，，，，，一种测试无邪应变能力。。。。。。。。要害是，，，，，，，，这些测试涉及的领域（航空、零售、电信、外卖、旅馆等）与训练时使用的16个领域（求职、婚庆策划、邮件治理等）完全差别，，，，，，，，确保了测试的公正性。。。。。。。。
更有意思的是，，，，，，，，测试的形式也与训练时截然差别。。。。。。。。训练时AI直接与工具交互，，，，，，，，而测试时需要严酷凭证重大的文本政策举行对话。。。。。。。。这就像一个习惯了在开放情形中自由驾驶的司机，，，，，，，，突然需要在严酷的交通规则下驾驶一样具有挑战性。。。。。。。。
测试效果令人振奋。。。。。。。。以Qwen3-32B模子为例，，，，，，，，在经由ScaleEnv训练后，，，，，，，，它在τ?-Bench的零售领域测试中乐成率从59.5%提升到了63.6%，，，，，，，，在VitaBench的外卖领域测试中从27.0%跃升到31.3%，，，，，，，，在店内效劳测试中更是从22.5%大幅提升到34.5%。。。。。。。。这些提升看似不大，，，，，，，，但思量到这是完全跨领域的零样本测试，，，，，，，，就像一个只学过中文的人突然能够明确英文一样难以想象。。。。。。。。
更令人印象深刻的是"Pass@4"测试效果，，，，，，，，这个测试权衡的是AI在四次实验中至少乐成一次的概率，，，，，，，，可以看作是AI的潜力上限。。。。。。。。在最具挑战性的跨领域使命中，，，，，，，，经由ScaleEnv训练的AI乐成概率险些翻了一番，，，，，，，，从15%提升到29%。。。。。。。。这批注训练不但提升了AI的平均体现，，，，，，，，更主要的是大幅增强了它解决重大问题的能力上限。。。。。。。。
为了进一步验证要领的有用性，，，，，，，，研究团队举行了详细的"情形规模剖析"。。。。。。。。他们训练了使用差别数目领域（2个、4个、8个、16个）的AI模子，，，，，，，，发明随着训练情形多样性的增添，，，，，，，，AI的泛化能力泛起稳固的上升趋势。。。。。。。。这就像学习多种运动的孩子在学习新运动时会更有优势一样，，，，，，，，接触过更多样化情形的AI在面临新挑战时体现更好。。。。。。。。
有趣的是，，，，，，，，纵然训练域数目抵达16个，，，，，，，，性能提升曲线仍未泛起平台期，，，，，，，，这体现着继续增添情形多样性仍有提升空间。。。。。。。。这就像发明了一座还没有被完全开发的金矿，，，，，，，，尚有很大的挖掘潜力。。。。。。。。
研究团队还举行了一系列比照实验来验证设计选择的准确性。。。。。。。。他们发明，，，，，，，，去掉"执行性验证"机制后，，，，，，，，AI的体现会显着下降。。。。。。。。这证实晰严酷的质量控制机制确实是须要的，，，，，，，，就像没有质检的产品往往问题百出一样。。。。。。。。
在奖励机制的比照中，，，，，，，，ScaleEnv接纳的基于规则的评估要领显着优于让其他AI来判断的要领。。。。。。。。这就像用标准化考试比主观评分更可靠一样，，，，，，，，客观的评估标准能够提供更准确的反�。。。。。。。。�，，，，，，资助AI学到真正有用的手艺。。。。。。。。
为了验证要领的稳固性，，，，，，，，团队还测试了使用差别领域组合的训练效果。。。。。。。。效果显示，，，，，，，，无论使用哪4个领域举行训练，，，，，，，，AI的改善效果都是一致的，，，，，，，，这证实晰ScaleEnv的要领具有优异的鲁棒性，，，，，，，，不是依赖某个特定领域的无意效果。。。。。。。。
这些实验效果的意义远不止于数字的提升。。。。。。。。它们证实晰一个主要看法：通过在高质量的合成情形中举行多样化训练，，，，，，，，AI确实可以学到可以迁徙到真实天下的通用能力。。。。。。。。这就像证实晰在模拟器中学习确实可以作育出在现实中有用的手艺，，，，，，，，为AI训练开发了一条全新的蹊径。。。。。。。。
说究竟，，，，，，，，ScaleEnv的乐成验证了一个质朴但深刻的原理：要想作育真正有能力的AI，，，，，，，，要害不在于让它记着更多的谜底，，，，，，，，而在于为它创立更富厚、更真实的学习情形。。。。。。。。就像要作育优异的医生，，，，，，，，最好的要领不是让他们死记硬背医学教科书，，，，，，，，而是让他们在州差别的临床情形中积累实践履历。。。。。。。。ScaleEnv为AI智能体提供了这样一个无限富厚的"临床实习"情形，，，，，，，，让它们能够在清静的虚拟天下中获得在真实天下中有用的能力。。。。。。。。
研究团队的这项事情不但解决了AI训练情形稀缺的问题，，，，，，，，更主要的是验证了"情形多样性驱动泛化能力"这一焦点假设。。。。。。。。通过大宗严酷的实验，，，，，，，，他们证实晰投资于构建高质量、多样化的训练情形，，，，，，，，比简朴地增添训练数据量更能有用提升AI的现实应用能力。。。。。。。。这为未来的AI研发指明晰一个新偏向：与其在现有情形中重复训练，，，，，，，，不如投入更多精神去创立更好的训练情形。。。。。。。。
Q&A
Q1：ScaleEnv框架是什么？？ ？？？ ？？？
A：ScaleEnv是由南京大学和美团等机构开发的AI智能体训练框架，，，，，，，，它能够完全从零最先，，，，，，，，仅凭一个领域要害词就自动构建出完整的虚拟训练情形，，，，，，，，让AI在其中学习使用种种工具的手艺。。。。。。。。
Q2：ScaleEnv和古板AI训练要领有什么区别？？ ？？？ ？？？
A：古板要领需要依赖现有的、有限的训练情形，，，，，，，，而ScaleEnv能够无限扩展地天生新的训练场景。。。。。。。。更主要的是，，，，，，，，它通过程序化测试确保虚拟情形的每个功效都能真正运行，，，，，，，，阻止了AI学到虚伪或无用的手艺。。。。。。。。
Q3：在ScaleEnv上训练的AI效果怎么样？？ ？？？ ？？？
A：在完全差别领域的测试中，，，，，，，，江苏苏港物流生长有限公司ScaleEnv训练的AI体现显著提升。。。。。。。。好比在店内效劳测试中乐成率从22.5%提升到34.5%，，，，，，，，在最具挑战性的跨领域使命中，，，，，，，，四次实验的乐成概率从15%翻倍到29%，，，，，，，，证实晰训练效果的真实有用性。。。。。。。。