training-data-synthesis

GraphForge 提出了一种证据图框架，将智能体的任务生成与验证共同锚定在真实文件之上，从而能够为工作场景中的智能体合成可验证的训练轨迹。在 2,169 条 GraphForge 轨迹上对 Qwen3.6-27B 进行微调后，模型在 GDPVal、Workspace-Bench-Lite 和 SpreadsheetBench II 上均有所提升，而采用拒绝微调（rejection fine-tuning）则能进一步取得增益。

FORT-Searcher 提出了一种框架，通过识别和缓解四种捷径风险，为深度搜索智能体合成抗捷径的训练数据。由此产生的智能体经过监督微调训练，在可比较的开源搜索智能体中取得了最先进的性能。