WorkGenesis: Building the Worlds That Teach Agents to Work

📄 arXiv: 2609.39325v1 📥 PDF

作者: Xinyu Zhu, Fenyi Liu, Yuzhu Cai, Shuo Tang, Rui Ye, Linfeng Zhang, Siheng Chen

分类: cs.AI

发布日期: 2026-09-30

备注: 47 pages

💡 一句话要点

提出WorkGenesis以构建可执行的职业工作场景

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 职业工作生成 大型语言模型 基于证据的构建 一致性验证 智能体训练

📋 核心要点

  1. 现有方法在生成职业工作场景时，专家编写成本高且速度慢，而无约束合成的任务常常缺乏事实基础。
  2. WorkGenesis框架通过基于证据的工作构建和执行引导的一致性验证，提供了一种高效的职业工作生成方法。
  3. Fx-Work-35B在使用WorkGenesis合成的20K工作单元进行训练后，在多个基准测试中取得了显著的性能提升。

📝 摘要（中文）

大型语言模型（LLM）代理完成日常和专业工作的能力受到越来越多的关注。训练这些代理需要现实的工作场景。专家编写的职业工作成本高且耗时，而无约束的合成往往导致任务缺乏事实基础或内部要求不一致。为了解决这一问题，本文提出了WorkGenesis框架，通过两项核心技术创新构建可执行的职业工作：1）基于证据的工作构建，通过检索公共文件并结合O*NET职业知识，围绕每个工作单元合成上下文、伴随材料、工作请求和逐项评分标准；2）执行引导的一致性验证，生成参考交付物并将未满足的评分项归因于代理、任务或评分标准，利用任务和评分缺陷作为反馈，迭代修复工作，直到通过审核。实验结果表明，使用WorkGenesis合成的20K工作单元进行简单的监督微调训练的Fx-Work-35B，在多个基准测试中表现优异，超越了现有前沿模型。

🔬 方法详解

问题定义：本文旨在解决生成现实职业工作场景的困难，现有方法往往依赖专家编写，成本高且效率低，或生成的任务缺乏事实基础和一致性。

核心思路：WorkGenesis框架通过结合真实世界证据和一致性验证，构建可执行的职业工作，确保生成的任务具有现实基础和内部一致性。

技术框架：该框架主要包括两个模块：1）基于证据的工作构建模块，通过检索公共文件和O*NET知识生成工作单元；2）执行引导的一致性验证模块，生成参考交付物并进行迭代修复，确保任务满足评分标准。

关键创新：WorkGenesis的核心创新在于将真实世界证据与工作构建相结合，并通过执行引导的反馈机制实现任务的一致性验证，这与传统的专家编写方法有本质区别。

关键设计：在设计中，使用了公共文件检索和O*NET知识作为基础，评分标准的设计确保了任务的可评估性，迭代修复机制则通过反馈不断优化生成的工作。

📊 实验亮点

实验结果显示，Fx-Work-35B在使用WorkGenesis合成的20K工作单元进行训练后，在GDPvalAA-v2、APEX-Agents-AA和JobBench等基准测试中，平均得分达到31.00，显著高于24.79的对比基线，甚至超越了1.6T的DeepSeek-V4-Pro-Preview模型，展示了WorkGenesis在生成训练数据方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括职业培训、教育和人力资源管理等。通过生成真实的工作场景，能够有效提升代理的工作能力，促进智能体在实际工作中的应用，具有重要的实际价值和未来影响。

📄 摘要（原文）

The ability of Large Language Model (LLM) agents to complete daily and professional work is receiving increasing attention. Training such agents requires realistic work scenarios. Expert-authored occupational work is costly and slow to produce, while unconstrained synthesis often yields tasks with weak factual grounding or internally inconsistent requirements. To bridge this gap, we introduce WorkGenesis, a framework that constructs executable occupational work from real-world artifacts through two core technical innovations: (1) Evidence-Based Work Construction, which grounds each unit of work in real-world evidence by retrieving public files guided by O*NET occupational knowledge and synthesizing the surrounding context, companion materials, work request, and itemwise rubric around them; and (2) Execution-Guided Consistency Verification, which renders a reference deliverable inside the constructed work, attributes every unsatisfied rubric item to the agent, the task, or the rubric, and uses task and rubric defects as feedback to iteratively repair the work until it passes the audit. Experimental results demonstrate that Fx-Work-35B, trained with simple supervised fine-tuning (SFT) on only 20K units of work synthesized by WorkGenesis, achieves the highest scores among all comparable-scale baselines on the five reported metrics across GDPvalAA-v2, APEX-Agents-AA, and JobBench (31.00 versus 24.79 average score), and even surpasses frontier models such as the 1.6T DeepSeek-V4-Pro-Preview. These results show that WorkGenesis provides scalable training data for working agents.