人大、复旦、上海交通大学团队发布的 ToolSpace 提供了 804 个真实工具环境，让 Qwen3.6-35B 在七项长时程基准中的平均分从 23.0 升至 41.0。我们注意到，智能体训练的关键正在从“让模型猜工具怎么连”，转向“让模型在可验证的业务流程中练会执行”。

这是什么

ToolSpace 是面向智能体（能自主规划并调用工具完成任务的模型）的后训练环境。它先收集 20 万条真实工具调用轨迹，再从中提取数据依赖、状态依赖和重试依赖，形成工具组合关系；随后通过真实调用、失败回滚和结果回放，生成可以核验的训练任务。

与先让模型合成数据库、接口和任务的做法相比，ToolSpace 更接近真实企业系统中的跨服务流程，例如查完邮件再写入表格、最后发消息通知。团队还按需构建环境，500 个环境所需文件比 Agent-World 少 55.3%。论文、代码和模型均已开放。

行业怎么看

值得关注的是，35B 模型经过监督微调后提高 18 分，再经过强化学习（根据执行结果持续调整模型策略）达到 43.2 分；744B 版本平均分为 56.6，接近文中对比的 Claude Opus 5。这组结果表明，训练数据是否包含真实调用关系，可能比单纯扩大参数规模更能改善长链执行能力。

但风险同样清楚。20 万条轨迹来自公开工具和服务，真实企业最关键的数据往往受权限与保密限制，未必能复制这一条件。基准提升也不等于可直接部署：工具定义会变化，外部接口可能失败，历史成功轨迹还可能强化过时流程。论文中的对比模型与测试设置也需要独立复现，不能据此断言中小模型已能追平最强通用模型。

对普通人的影响

对企业 IT：企业可以更重视调用日志、流程依赖和失败样本，而不只是采购更大的模型；不过敏感业务数据能否用于训练，仍需先解决权限、脱敏和审计问题。

对个人职场：智能体可能更稳定地处理邮件、表格和协作工具之间的连续任务，但涉及审批、付款或删除等关键动作时，仍需要明确的权限边界与人工复核。

对消费市场：客服、购物和预订助手有望减少步骤中断与重复操作，但真实流程训练也会增加系统维护成本，服务商未必会立即把这项能力开放给普通用户。