SynthAPI × WorkFactory × Gym-Anything-RT：Agent 训练环境的组成科学、信息工程与实时维度 精读

本期论文

• Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis（SynthAPI）· 2026 年 10 月 · Apple · Agent 数据合成 / Scaling Law
• WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training · 2026 年 10 月 · IQuest Research + 浙江大学 + 中国人民大学 + 深圳先进技术研究院 + 上海交通大学 + 北京大学 · Agent 任务环境合成
• Gym-Anything-RT: Scaling Real-Time Environments for Vision-Language Agents · 2026 年 10 月 · Carnegie Mellon University · 实时 Agent 评测 / 环境生成

如果你只关心一个问题的答案——「Agent 的训练环境到底应该怎么造」——2026 年 10 月底 arXiv 上的这三篇论文恰好给出了互补的三块拼图：一块讲环境的组成配比要有科学（SynthAPI），一块讲环境的信息完备性要有工程（WorkFactory），一块讲环境的时间维度要有自觉（Gym-Anything-RT）。它们分别来自 Apple、中国校企联合团队和 CMU，方法画风迥异，但都在回答同一个母问题：当互联网上的多步交互数据耗尽时，合成环境如何成为 Agent 训练的可控变量，而非碰运气的黑箱。

一、论文背景

1.1 领域地基：Agent 训练的数据饥渴

LLM Agent 的能力取决于训练数据，而多步工具交互数据在互联网文本中天然稀缺——真实的多轮 API 调用、状态变更、错误恢复过程几乎不会以文本形式公开。于是「用 LLM 合成 Agent 训练环境」成为 2025-2026 年的主赛道：让一个强模型凭空写出 API 定义、数据库、任务指令、验证器，甚至完整的小游戏程序，再用另一个强模型（教师）在环境里跑出成功轨迹，蒸馏给学生模型。SWE-Gym、SWE-smith、R2E-Gym 在代码领域验证了这条路，EnvFactory、EnvScaler、SimSAT、Nemotron-Agentic 把它推向通用工具使用。

但这条赛道在 2026 年遇到了三个悬而未决的问题。第一，配方问题：同样是 32,768 个任务的预算，该造 32 个 app 每个 1024 个任务，还是 64 个 app 每个 128 个任务？该多造新指令还是让旧指令多换几个数据库？没人系统测过——各家管线的超参基本靠手感和惯例。第二，质量问题：合成专业任务时，教师 agent 经常因为环境缺一条运费条款、缺一个数据定义而无法一致地完成任务，产出被污染的监督信号——学生从带噪示范里学到的也是噪声。第三，盲区问题：所有 computer-use benchmark 的环境都在等 Agent 慢慢推理——OSWorld、AndroidWorld、Windows Agent Arena 无一例外是回合制——而真实世界的游戏机、机器人、交易系统从不等待。三篇论文各执一个问题。

1.2 初学者概念阶梯

读这三篇论文之前，建议按以下阶梯建立概念：

1. 工具使用 Agent（Tool-use Agent）：模型通过调用 API 与有状态环境交互，多步完成任务。与「读文档答问题」的区别在于环境会被修改、有副作用。
2. 可执行环境 vs LLM 模拟环境：前者环境是真实 Python 代码+数据库，工具响应是确定性的；后者用 LLM 想象工具响应，复杂状态转移容易出错。SynthAPI 属于前者，SimSAT/Nemotron 属于后者。
3. 验证器（Verifier）与 Oracle Solver：verifier 判断任务是否完成（输出二元信号），oracle 是利用环境特权信息写出必解程序，用于过滤不可解任务。三篇论文都用了这个组合拳，这是合成环境可信度的基石。
4. SFT 蒸馏与 RLVR：教师轨迹做监督微调（三篇都用）是保守路线；环境的二元 verifier 天然支持可验证奖励 RL（SynthAPI 提到但太贵没做全量，附录里每个 episode 都自带 binary verifier，RL 就绪）。
5. Scaling Law（缩放定律）：Kaplan/Hoffmann 时代回答「参数 vs token 怎么分」，SynthAPI 把它推广到「工具多样性 vs 任务数量 vs 数据实例 vs 干扰深度怎么分」——从一维配比到四维配比。
6. 信息支持图（Information Support Graph）：WorkFactory 的核心表示，显式记录「每个产出依赖哪些信息、这些信息放在哪个文件」。它是构造期的隐藏规格，solver 看不到，但它决定了 solver 能不能做出来。
7. 实时交互（Real-Time Interaction）：Gym-Anything-RT 的严格定义——Agent 必须用「最近的视觉证据」为「动作执行时刻的状态」做决策，观察与动作之间的环境变化会降低动作价值。加装饰性动画不算实时，必须让延迟真正伤到动作价值。

1.3 为何放一起读

三篇论文表面互不引用（同周发布），实则构成一个完整的正交分解：

• SynthAPI 管宏观配方：环境的统计组成（多少工具、多少任务、多少数据库变体、多少干扰）如何随预算演化，是「生态学」层面的规律。
• WorkFactory 管微观质量：单个任务环境内部的信息依赖必须闭合，是「细胞学」层面的工程。
• Gym-Anything-RT 管时间维度：前两篇的环境全部是回合制（turn-based），它补上了环境持续演化这一被忽略的轴，是「动力学」层面的自觉。

三者的关系不是竞争而是叠加：一个理想的 Agent 训练管线应该同时用 SynthAPI 的配比定规模、用 WorkFactory 的信息图保质量、再往环境里注入 Gym-Anything-RT 式的时钟维度——虽然没有任何一篇这么明说，但拼图已经摆在桌面上。

更妙的是三者方法论上互相印证：SynthAPI 的 oracle solver、WorkFactory 的 probe solver、Gym-Anything-RT 的 oracle solution 都是「先证明环境可解再交给模型」这一原则的变体。放在一起读，能看到「环境合成」作为一个研究方向正在形成的范式共识。

一句话预览三篇的核心数字，方便带着锚点进入正文：SynthAPI 用 849 个模型换来的组成感知 law 在 16× FLOP 外推下 MAE 仅 0.0285，同预算配方差异价值 6.6+ 点；WorkFactory 的信息图+修复把跨文件不一致从 32.82% 压到 4.84%，学生模型最高 +714 Elo；Gym-Anything-RT 测出 Astra 实时 9% 对非实时 66% 的断崖，减速 64× 也只回到 57%。

二、论文定位和关联工作

2.1 谱系定位

三篇论文都站在「合成环境生成」大树的不同枝头。按环境载体分：SynthAPI 生成代码化 API+数据库环境，同代竞品是 EnvFactory、EnvScaler、Agent World Model、ScaleEnv；WorkFactory 生成含真实文件（PDF/表格）的专业工作区，近邻是 NexForge、Synthetic Computers、GraphForge、WorkGenesis；Gym-Anything-RT 生成可执行视觉小游戏程序，直接前作是 Gym-Anything 与 BALROG、VideoGameBench 等游戏 benchmark。

2.2 与前序工作的差异化

SynthAPI 相对前作的差异在「可控性」。EnvFactory/EnvScaler 也合成可执行环境，但主要强调数量扩张；DIVE 研究过工具多样性但固定任务数，不研究配比随预算的迁移。SynthAPI 是第一个把「环境组成」作为显式自变量、把「下游泛化」作为因变量、在 849 个模型上做受控实验并外推 16× FLOP 的工作。它的对手还包括 LLM 模拟路线（SimSAT、Nemotron-Agentic）：后者让 LLM 想象每一步工具响应，SynthAPI 论证复杂状态转移下模拟不可靠，代码执行才是正道。

WorkFactory 的差异在「反向规划」。NexForge 从能力需求正向生成任务指令；Synthetic Computers 规划工件依赖但不区分前提与结果；GraphForge（并行工作）从真实文件构建证据图再反推任务与评分 rubric，WorkGenesis 用 rubric 归因失败并迭代修订。WorkFactory 独特点是从预期产出反向构建信息支持图，图的节点不仅记录信息内容，还记录载体绑定（放在请求里/PDF 里/未来交付物里）与供给状态（已供给/待推导），并且修复环节受「工作保持」约束——修复不能替 solver 把活干了。

这个「前提-结果边界」的显式化是它区别于所有近邻的指纹。与 GraphForge 的「从文件正推任务」相比，反向规划保证了每个环境天然服务于一个有意义的产出；与 WorkGenesis 的「rubric 审计」相比，直接 probe solver 可见环境能发现 rubric 检查漏掉的支撑失败（rubric 描述任务该长什么样，probe 检验任务真的能不能做）。

Gym-Anything-RT 的差异在「对照设计」。VideoGameBench 等游戏 benchmark 确实实时，但前沿模型在上面几乎零分，且每个游戏混杂几十种能力（3D 空间、时序推理、陌生操作学习揉成一团），低分无法归因；Real-Time Reasoning Gym 给文字游戏加时间压力，但不覆盖视觉交互。它的三个对照设计干净到令人叫绝：每个实时游戏配一个「最小改动」的非实时对应版本（只改时序不改任务，独立审计确认十配置下无其他差异）；每个游戏时钟可控（live / 减速 4×/16×/64× / 暂停，全部时钟同步缩放而交互实时）；每个配置有简化/完整两种交互模式（同 seed 同世界，只差控制方式）。失败率在实时与非实时版本之间的落差、随减速程度的爬升曲线，把「太慢」与「不会做」精确分离——这是此前任何 benchmark 都做不到的。评测工程也到位：动作-截图直连协议把基础设施延迟压到 50 毫秒以内，不让网络冒充迟钝。

三、问题定义

3.1 SynthAPI：组成与泛化的关系问题

形式化地，SynthAPI 要研究的是函数 P = f(A, T, S, D, M, FLOP)，其中：

• A：app 数量（工具多样性），每个 app 是一组围绕同一主题的 Python API + 数据库 schema；
• T：每个 app 的任务指令数；
• S：每条指令的数据库实例数（同指令换初始数据库重跑）；
• D：每个数据库的干扰数据深度（数据批次总数）；
• M：模型规模（Qwen3.5 家族 2B/4B/9B/27B）。

总任务数 N = A × T × S，D 不改变任务数只改变复杂度。挑战在于三重：这个搜索空间组合爆炸，每个点训练一个模型的成本高昂（他们最终训了 849 个）；性能曲面非线性（低预算下 A=8 最优、高预算下 A=64 最优，存在交叉，说明最优解在预算轴上漂移）；且定律需要在拟合范围之外（最高 16× FLOP）仍然可预测——一条只能内插不能外推的曲线对「指导下一步训练」毫无用处。评估侧还有一个细节：不同 benchmark 分数量纲不可比，他们用 zero-shot 与最强模型的分差做归一化，把四个 benchmark 折成一个 [0,1] 的综合分。

3.2 WorkFactory：任务环境的信息闭合问题

WorkFactory 的对象是「专业工作环境」：用户请求 u + 参考文件集合 + 预期交付物。它的挑战用论文里的供应商选择例子最清楚：生命周期成本比较需要需求预测、报价、运费条款、折现规则分散在不同文件，若 Supplier C 的报价漏了「运费是否包含」，NPV 就无法一致计算；但若直接把算好的成本表给 solver，又把该 solver 做的实质工作外包了。

形式化地，环境必须满足两个约束：支撑完备性（每个待推导输出在 solver 可见输入中有完整前提链——每条推导的源信息要么可见、要么明确标注为外部获取并给获取途径）与工作保持（所有中间计算和判断留给 solver——不能泄漏答案、不能砍掉实质操作）。难点在于材料化过程会引入违反：LLM 生成的文件之间会数值打架、会泄漏答案、会缺关键条款，而这些违反在静态检查下不可见——程序化检查能核对文件数量与类型，LLM 检查能核对内容覆盖，但「Supplier C 的运费条款到底支不支持 NPV 计算」只有在执行中才会暴露。这是一个必须用运行时反馈才能闭合的验证问题。

3.3 Gym-Anything-RT：实时性维度的隔离测量问题

论文给出了实时交互的严格定义：当 Agent 必须使用最近的视觉证据来为「动作将执行时的状态」选择动作，使得观察与动作之间的延迟期间发生的变化会降低该动作的价值时，任务需要实时交互。这个定义的巧妙处在于它把「实时」从主观感受（快不快）变成了可操作判定（延迟是否削减动作价值）——据此可以逐配置审查一个游戏到底测没测实时性。

测量上的挑战是「混淆」：一个模型在某游戏上失败，可能因为它慢（推理要 10 秒、按键窗口 0.5 秒），可能因为它不会 3D 空间理解，可能因为它不熟悉操作界面。若没有对照，失败率无法归因。Gym-Anything-RT 的解法是把每个游戏变成自己的对照：非实时版隔离「实时性」因子，减速梯度隔离「速度」因子，简化交互隔离「操作」因子，难度梯度提供测量动态范围——四个维度全部程序化可控，且同一 seed 下各版本共享同一底层任务。此外还有工程层面的挑战：网络与转发延迟必须压到远小于模型决策时间，否则测的是基础设施而非模型。

四、解法

4.1 SynthAPI：把环境变成四个旋钮

SynthAPI 管线分两阶段，每阶段的设计都为「可控性」服务。

第一阶段造 app：builder LLM（Gemini-3.1 Pro，断网防抄袭）先写 app 元数据（名称、描述、八大类目之一——购物/音乐/效率/金融/健身/消息/工具/社交、功能清单如「发起退货」「给购物车应用促销码」），再写 db.py（Python dataclass 定义的数据库 schema，购物 app 会有商品/库存/用户/地址/支付方式/评论/购物车/订单），最后写 apis.py（只准通过四个 CRUD 函数访问数据库的 API 层，便于全程追踪状态变更；公开函数即 agent 可用工具）。64 个 app 共产出 10,472 个 API（6,266 写 / 4,206 读），每 app 中位数 144 个 API、55 个数据类、81 项功能——单个 app 就是一个小世界，这是后续「任务永远榨不干工具」现象的基础。

第二阶段造任务：任务定义为四元组 T = ⟨x, v, Db0, π*⟩——指令、验证器、初始数据库、oracle 求解器。生成流程是指令（从功能清单采样 F 个功能，让 builder 写 n 条指令，历史指令进上下文防重复）→ 验证器（读初始与当前数据库状态的二元判定函数，可访问历史变更日志）→ 核心数据 Db0_core（让任务可解的最小数据，「买红杯子」则库里必须先有红杯子和用户账号）→ D-1 批干扰数据（相似商品、无关订单，且硬约束要求不提前触发验证器、不阻碍求解、ID 不冲突）→ oracle（可访问特权信息的必解程序，每步改动都走公开 API）。过滤条件是 v(Db0)=0 且 v(Exec(π*, Db0))=1，即任务初始未完成且确实可解——两条都不满足的任务直接扔掉。

关键工程设计——发现式接口：Agent 不预先拿到全部工具定义，而是通过 list_apps / list_tools / get_tool_documentation 三个元工具按需发现，上下文只装载当前任务相关工具（list 结果故意包含无关 app 与工具当干扰项）。这既压缩了上下文长度，又迫使模型学会「探索新工具集」的通用行为——这正是下游跨 benchmark 迁移的机制基础：模型学到的不是「这 64 个 app 怎么用」，而是「任何陌生工具集怎么上手」。

组成感知 scaling law：单旋钮分析用广义 logistic 模型 P̂(N) = U·σ((b + b_N·log₂N)^ν) 分别拟合每条 A（或 S、D）曲线；联合分析把性能上限 U 从常数升级为组成函数，得到：

P̂_M(A,T,S,D) = σ(c₀ + c_A·log₂(A·S·D)) · σ(b₀ + b_T·log₂T)^ν

直觉解读：第一个 sigmoid 因子决定「天花板有多高」，由多样性参数 A·S·D 控制——工具、数据库实例、干扰深度的多样性每翻一倍，天花板按 log 曲线抬升；第二个因子决定「以多快速度逼近天花板」，由每 app 任务数 T 控制——同质任务只是沿曲线爬坡，爬不到更高的地方。乘积形式意味着两者缺一不可：没有多样性，爬得快但顶低；没有足量任务，顶高但爬不到。拟合用全部 849 个模型（Qwen3.5 四尺寸）、以 Chinchilla 近似 C≈6ML 计 FLOP、留出 FLOP 前 25% 的运行做外推验证，最小二乘逐尺寸独立拟合。训练侧用 GLM-5.2 当专家收轨迹（每任务最多四次尝试取首个通过验证器的），蒸馏 5.9B token（其中 721M 为推理与动作监督位）给学生。

4.2 WorkFactory：从产出反向规划信息

WorkFactory 流程分四步，每一步都在回答「信息从哪来、到哪去、谁负责算」。

第一步，三源意图合成：从职业层级（O*NET 式 SOC 分类）展开角色情境（合规官、市场研究分析师、管理咨询师各自的工作场景与动机事件）、从技能文档组合工作流（一个技能的输出供给另一个技能的输入时拼成多步流程：报价提取→年现金流建模→NPV 比较→采购推荐）、从真实交付物回译 plausible 任务目标（分析网上真实专业文书的用途/受众/内容/生产过程，反推「制作/更新/审阅/比较它」的任务意图），LLM 审核连贯性/专业恰当性/现实合理性后入库，覆盖 612 个职业、23 个大类——职业覆盖的广度保证了任务分布不塌缩到「写代码+写报告」两个模式上。

第二步，信息支持图规划：G_info = (V_info, V_carrier, E_info, E_loc)。V_info 是信息单元（需求预测、报价、折现规则、待算的 NPV、待写的推荐），每个节点带供给状态标记——已供给 / 外部获取 / solver 推导 / 构造内部；E_info 记录支撑关系（关联、变换、证据、约束，多源共撑一个结果是常态）；V_carrier + E_loc 是载体绑定，明确每条信息住在哪：用户请求、参考 PDF、外部资源、未来交付物，还是对 solver 隐藏的构造内部需求。规划器从预期产出（成本比较工作簿 + 推荐报告）出发反向追溯每步计算的前提，直至全部落到可见载体。这个「前提在哪、结果谁算」的边界在材料化之前就已显式存在——且图被明确设计为构造期的隐藏规格，不泄漏给 solver。

第三步，材料化：把图翻译成工件级构造计划 P = (u, A, D)——具体用户请求、工件规格（角色/格式/必含内容/来源/路线：复用/改造/合成）、无环构造依赖，环境工人（DeepSeek-V4-Flash）在一个会话里按依赖顺序材料化所有工件，跨文件一致性由共享实体与作用域链接引导。程序化检查（文件数、类型对得上）+ LLM 检查（内容覆盖、请求连贯引用全部参考文件），三次重试后仍失败则丢弃——注意这个阶段的检查仍是「静态」的，查不出语义层的断链。

第四步，执行式修复：probe solver（DeepSeek-V4-Flash，Claude Code harness、1M 上下文、与 solver 完全相同的信息边界）在干净沙箱试做——看不到图、计划、历史诊断，产出带严重度分级的报告（阻断/正确性/效率/观察四级，只有阻断级触发修复）。refiner 编辑请求与现有文件（不得增删文件、不得改依赖结构），每次修复过两道审查：构造检查 + 工作保持审查（对照原始意图判断核心目标、实质操作、交付要求是否保持——给 Supplier C 补一条每箱 0.15 美元运费是合法修复，替 solver 算好 NPV 是越界，直接删掉 NPV 比较要求更是越界）。修复后 fresh probe 在全新沙箱重测（不带历史记忆），最多三轮，仍有阻断则丢弃任务。最后教师（GLM-5.3，256K 上下文）在与 probe 相同的信息边界下独立执行（94,077 任务用 GDPval-AA Stirrup harness、18,609 用 Claude Code），轨迹经轻量过滤（剔除重复推理/重复调用/交付物空洞）+ 最长 5% 任务的拒绝采样（与固定基线交付物两两比拼，最多四次尝试）后成为 SFT 数据，失败工具调用的 token 从监督掩码中剔除但保留在历史里。去污染检查（embedding 相似度 + 10-gram 重叠 + 文件哈希）确认训练集与评测集无复用。

4.3 Gym-Anything-RT：让每个游戏成为自己的对照

构建管线是四角色 agentic 流程（全部 GPT-6 Astra via Codex CLI）。

survey agent 从具身/游戏/计算机使用文献与公开演示中搜集候选，标准是：可自包含成小游戏、需视觉理解、需视觉界面操作、结果客观可验证；明确排除 OCR、静态分类、算术、问答类任务——它们不需要「对所见做出行动」。人工审核前 15 个游戏作为质量锚点。

creator agent 把候选实现为程序——关键是无论源任务是否实时，都要改造成严格实时（加装饰性动画不算，必须让观察-动作间的状态变化真正影响动作价值），同时写一个用环境特权状态求解的 oracle solution 并录视频存证，还实现 5 个难度级与 2 种交互模式。难度标定本身有一套治理流程：difficulty-review agent 把原配置对照参考集归入五级之一，creator 围绕它构造其余四级（改变信息量、依赖数、速度、精度、动力学、并行控制），相邻级审查拒绝「伪难度」（重复动作、加歧义不算变难），保证各级要求的感知/记忆/决策/控制类型一致。以旋转键盘为例：五级分别从 3 字符 12 个大键慢速、渐次提升到 8 字符 32 个小键快速不规则转向。

audit agent（独立、无修改权）审查生成/可解性/渲染/评分/失败恢复，并专门搜索「实时捷径」——如能让运动部件停下的刹车、可预计算的周期运动，发现了就打回重修（64 个游戏因此重造、23 个被修订去捷径）。审计的铁律是「忽略注释与书面声明，只认截图、录像与运行行为」——生成者自我声明无价值，行为证据才是证据。

review agent 标定难度与能力标签（3D 视觉理解、时序推理、推理规划、探索与界面理解），每个标签须有代码或行为证据支撑；另有独立的实时审查 agent 对每个配置单独判定是否满足实时定义。

非实时对应版是点睛之笔：对每个实时游戏 E，creator 做最小时序改动得到 E̅（旋转键盘保持初始布局、齿轮段保持静止直到操作离合、烤架食物入位后停驻），独立 audit 检查两版在全部 10 个配置下除时序外无差异——同目标、同控制、同难度、同信息，只差「等不等你」。时钟控制栈：live 以自然速度运行；slowdown s 让所有时钟（计时器、动画、服务端）按 1/s 速率推进——动作传递与截图仍实时，所以只改变「可用思考时间」不改变交互本身；paused 在观察窗后冻结直到动作到达。为消除传输延迟混淆，agent 与沙箱之间建直连协议（中央服务器只管生命周期、不经手动作流），动作-截图往返中位数低于 50 毫秒——毕竟你不能让网络抖动冒充模型迟钝。最终 100 个实时游戏 + 100 个非实时对应 × 5 难度 × 2 交互 = 2000 配置，能力覆盖上 31% 需要 3D 理解、100% 需要时序推理（非实时版降到 82%）、96% 需要推理规划、52% 需要界面探索。

五、实验洞察

5.1 SynthAPI：配方随预算迁移

核心数据（外推验证）：

16× FLOP 外推下 MAE 仅 0.0285（归一化分数），说明组成信息是可预测性的主要来源。逐尺寸看外推误差也很稳：2B 外推 MAE 0.004、4B 0.051、9B 0.026、27B 0.028——拟合区间外最远的点误差反而没有爆炸，这是 law 形式选对了的标志。单旋钮发现（9B 模型，趋势在 2B/4B/27B 上复现）：

• A vs T（工具多样性 vs 任务数量）：任务预算 64-512 时 A=8 最优（少工具多任务利于起步——集中在一小撮工具与数据结构上先拿基础分），≥4096 时 A=64 明显最优，且 A=8 的天花板显著低于 A=64。注意这并非功能穷尽效应——T=1024 时工具中位利用率仅 51%，app 的功能远没用完，多样性本身才是价值来源。作者还在 SimSAT 管线上复现了同样的分配规律（固定预算下 A 越多越好），说明发现不是 SynthAPI 特产的伪影。
• S（数据库广度）：预算 32-512 时 S=1 最优，512-4096 时 S=2，超过 4096 后 S=4 最优且天花板随 S 递增。同一指令换库重跑，在高预算下比新增指令更值钱——因为数据操作是核心难点，跨库泛化是关键能力；预算充足后「旧题新库」比「新题旧库」教得更多。
• D（干扰深度）：高预算下 D=4 带来大幅增益，干扰数据逼迫模型学会在密集状态中检索决策。作者留了一个诚实的 caveat：下游 benchmark 对密集数据库状态的敏感度有限，更强调稠密检索的 benchmark 上这一维度的 scaling 行为可能不同。

三条合起来的实践含义可以写成一张「配方速查」：预算小（<512 任务）先集中在少数工具上把基本功练起来；预算中等（1K-4K）开始铺工具面；预算大（>4K）果断转向多样性——更多 app、同指令多库、更大干扰深度，任务数量反而是最不着急的维度。

下游迁移（同 32,768 任务预算）：Opt 配方（A=64,T=128,S=4,D=4）vs SubOpt 配方（A=32,T=1024,S=1,D=2）在 4B 模型 AppWorld Test-C 上 45.0 vs 38.4，同预算下纯配方差异就有 6.6 点——这就是「错误配方的机会成本」。逐尺度看这个配方效应更有意思：4B 上 Opt 与 SubOpt 的差距最大（SynthAPI-Holdout 56.0 vs 51.3、AppWorld-C 45.0 vs 38.4），9B/27B 差距收窄——模型越强，对次优数据的自我修复能力越强，但从未完全抵消。这意味着配比研究对小模型/小预算团队价值最高：大厂可以暴力堆量，小团队的每个 token 预算都经不起错配。

扩大到全量数据 4 epoch（SynthAPI-Big）：AppWorld Test-C 66.4(4B)/77.0(9B)，Test-N 达 81.0/83.3，超最强基线 SimSAT 7.6/11.6 点；超 Nemotron-Agentic 平均 30.5 点——后者在 8 个设置中 5 个低于 zero-shot，这个反直觉现象值得展开：Nemotron 是 LLM 模拟路线的代表作，33.5 万条轨迹以短视程、简单工具响应为主，SFT 在这类数据上会把模型的行为先验锁死在「一两步调用即结束」的模式里，面对 AppWorld 这类长视程密集状态任务反而不如未训练时的通用能力——低复杂度合成数据不只是无效，是负资产。BFCL 上 SynthAPI-Big（Qwen3 版）51.1(4B)/55.6(8B)，超 EnvFactory/EnvScaler 2.0-3.7 点。作者诚实指出这些对比不隔离合成方法本身（基线用 SFT+RL 小数据、SynthAPI 用纯 SFT 大数据），证明的是「scaling law 指导下的大规模合成可行且强」。另一个值得记录的细节：发现式接口训练出的模型在全部四个外部 benchmark 上直接可用，无需预知工具集——list_tools 行为本身成为了一种可迁移的「学习如何学工具」的元技能。

5.2 WorkFactory：缺陷率与 Elo 的因果链

主结果：三个尺度的 WorkPilot 全部大幅超越各自 base：

WorkPilot-27B 的 1612 Elo 超过 DeepSeek-V4.1-Flash（1600）、距 GLM-5.3（1646）仅 34 分——一个 27B 学生逼近自家教师量级，这在一年前还是不可想象的蒸馏效率。4B 模型的 +714 增幅甚至超过 27B（+637），说明专业工作能力的「底子」高度可教——base 模型不是不会做，而是从未见过这类任务分布。横向看，WorkPilot-4B 在 GDPval 与 OmegaUse 上超过 Apodex-1.1-mini（1189 Elo），27B 版本超过 Qwen3.8-27B（1409）与 MiniMax-M3（1230）等更大的现成模型。成本-性能前沿上三个 WorkPilot 全部位于非支配前沿（4B 每任务约 0.012 美元、27B 约 0.396 美元），垂直领域 SFT 的性价比一览无余。

组件分析（5K 任务三条件对照）是全文最硬的证据：

表格里藏着三条重要信息。其一，机制的互补性有数据形态证据：信息图在六类缺陷上下降、但泄漏/捷径（+1.44pp）与自洽性（+1.18pp）反升——作者的归因是显式依赖清单反而诱导材料化器把「待推导」信息提前写进请求（泄漏），更密的约束网让跨陈述一致性更难维护（自洽）。而这两类恰好是执行修复砍得最狠的（泄漏 3.36%→0.84%、自洽 4.46%→1.74%），因为 probe 从消费者视角跑一遍，答案直接摆在眼前就会「太容易做对」。规划管结构、执行管落地，两者不是替代而是分层。其二，缺陷下降与 Elo 上升逐级对应（累计 +81 分），把「环境质量→监督质量→学生表现」的因果链补全——这是整个「环境工程」主张能立住的锚点。其三，修复的成本效率极高：69.6% 任务零修复直接通过、20.2% 一轮、7.7% 两轮、仅 2.5% 触顶三轮（其中 0.48% 最终被丢弃）——每任务构造总成本约 1165 万 token（其中信息规划 474 万、材料合成 328 万、执行修复 364 万），修复是最便宜的环节却拿下最大的缺陷降幅，性价比远超「一开始就造得更好」的朴素尝试。

缩放行为：Elo 随任务数增长但收益递减且模型相关——35B-A3B 首 5K 任务 +447 分，75K→110K 仅 +13 分；27B 与 4B 在 30K 已分别拿到 94%/88% 的最终增益。执行长度先升后降（24.87 → 162.88@2K → 85.90@110K 轮）：小数据阶段模型先学会「多做」（长探索、多工具调用、不怕绕路），大数据阶段学会「做对且省」，触顶 250 轮的比例从 21.9% 降至 2.7%。

这条「先扩张后收缩」曲线是本次精读最意外的行为学发现——它说明执行长度不是能力标签而是策略参数，模型随数据量增长经历从「勤奋」到「熟练」的相变。对下游使用者的提示是：如果你想要一个「多跑几步再放弃」的耐性模型，小数据 checkpoint 反而合适；追求效率则等足量数据。跨 benchmark 的截面数据佐证了这个解读：最终 WorkPilot 在全部四个评测上的执行长度仍然高于 base（GDPval 85.9 vs 24.9 轮），训练教会它的是「维持更长工作流」的能力，压缩发生在冗余而非必要步骤上。

工具可靠性同步改善：代码执行失败率 16.0%→6.3%、web 搜索失败 22.4%@2K→10.4%，但 web 抓取失败率始终卡在 40%-48%——后者多半是环境固有问题（站点不可达、反爬），提示工具失败率要区分「模型可改进」与「环境不可改进」两种成分。换教师实验显示同一任务集 GLM-5.3 轨迹训出的学生 1483 Elo vs DeepSeek-V4-Flash 的 1248——环境是必要条件，教师质量是放大器；行为学上 GLM 教师本来就更「啰嗦」（60.7 轮 vs 38.0 轮），学生忠实继承了这一风格（99.8 轮 vs 53.8 轮），监督数据连「节奏感」一起传了下去。

5.3 Gym-Anything-RT：速度是第一瓶颈

最高难度完整交互的 pass rate（live 设定，100 实时任务 + 100 非实时对照）：

先看表中一个容易被忽略的结构性信息：两个开源模型实时与非实时都很低（1% vs 2%、0% vs 1%），说明它们的失败「不特定于实时」——能力差距是全面的；而三个前沿模型的落差都在 50 点以上，失败「特定于实时」——能力在、速度不在。这个区分本身就是对照设计的回报：如果没有非实时版，你只会看到「所有模型都很差」，分不出「差在哪」。

三个归因实验干净利落。减速梯度（Astra xHigh 同 100 任务）：1× 9% → 4× 17% → 16× 48% → 64× 57% → paused 75%。任务没变、只有思考时间变长，分数单调爬升到 8 倍——速度是一线模型实时失败的主因。更细的观察：常速下 Low 与 xHigh 推理努力几乎无差（8% vs 9%），因为更多推理 = 更多延迟 = 自我抵消；环境慢下来后 xHigh 反超（64× 时 57% vs 42%）——推理努力的价值被环境速度门控。这条曲线的形态本身有信息量：从 1× 到 16× 近似线性爬升（9%→48%），16× 到 64× 趋缓（48%→57%），64× 到 paused 还剩 18 点跳升——最后这段「减速买不回来的差距」说明存在一类任务，只要环境以任何速度持续演化，慢周期模型就难以胜任（需要连续对准、持续追踪类的操作），这类任务要的不是更多时间而是不同架构。且 64× 减速仍比 paused 低 18 点，印证了这一分层。

写代码下沉：允许在沙箱跑代码后，Astra xHigh 实时 9.0% → 31.0%（×3.4），非实时仅 66% → 74%（+8 点）。轨迹检查发现它写图像处理脚本——旋转键盘任务里用模板匹配定位移动按键并在 200 毫秒内点击、齿轮保险箱任务里追踪齿轮标记并预判离合释放时机——把「感知-行动实时循环」下沉到代码，模型只推理「代码该做什么」。增益随模型能力增长（Astra xHigh +22 点 > Astra Low +6 点 > Luna +4 点），说明这条补偿路径本身需要很强的编码与推理底子，是强者的专利而非通用补丁。但 31% 仍远低于 paused 75%，论文点出失效边界：当代价是「无法可靠预先提取的环境信息」时——突发视觉变化、非结构化动态场景——脚本无能为力。效率对比：人类作者首次见这些游戏，20 任务抽样 45% 通过率、平均 2.2 分钟；Astra xHigh 9.0%、7.2 分钟、每次 4.50 美元——五倍通过率差距、三倍时间差距，Claude Opus 5.5 更是 15.8 分钟 6.40 美元只换 5% 通过率。人机差距在回合制任务上已大幅收窄，在实时域却仍有一个数量级的鸿沟。

附带发现同样有价值：paused 对「需要时序推理的非实时任务」也有提升（Luna 20.4%→31.4%，p<0.001），对不需要时序推理的无显著增益（45.2%→52.7%，p=0.443）——时序推理是独立于速度的第二瓶颈，模型对「变化中的场景」的推理本身就不行，哪怕场景已经定格成截图序列；给界面规则书也能提分（11.3%→16.2%），界面探索是第三瓶颈——模型能用它学不会自己探索到的知识，这个不对称本身就是训练数据缺口的证据；Luna 在实时任务上从难度 1 到 5 的每个难度都比非实时版低 14-27 点，说明实时落差贯穿全难度段而非只发生在最难处；能力需求叠加时 pass rate 单调下降（Luna 实时 1 项能力 37.0% → 4 项 7.2%，paused 下同样降），且 paused 也救不全——能力组合是非线性放大的难点。

六、知识反推

从三篇的结果倒推，可以提炼出几条正在成型的领域规律。这部分是「从数据到信念」的推理，读者可自行检验链条是否成立。

规律一：环境多样性的价值随预算超线性增长，同质任务数量的价值亚线性。

SynthAPI 的天花板函数 U(A,S,D) 只吃多样性参数、不吃 T，且交叉现象（低预算 A=8 优、高预算 A=64 优）说明存在「配方迁移」——今天的最优配方在明天更大预算下是次优的。更准确地说，规律刻画的是两种数据的边际回报曲线形状不同：新增同质任务在早期回报高（学会基本操作模式）但迅速饱和，新增工具/数据库多样性早期回报平缓但持续抬升天花板。两者在某个预算点交叉，交叉点之后纯堆任务就是浪费。

这暗示 Agent 数据合成与预训练数据一样存在「compute-optimal 配比」问题：不研究配比的规模化是在浪费算力。WorkFactory 的递减收益（首 5K +447 分、75K→110K +13 分）从另一个尺度印证：当环境质量恒定时，数量红利耗尽得很快——质量与多样性才是长尾供给。两篇论文一个从组成维度、一个从质量维度，共同否定了「合成数据管线只需要无限产任务」的朴素信念。

规律二：监督信号的上限由环境决定，不由教师决定。

WorkFactory 的因果链（缺陷↓ → Elo↑）和教师对比实验（同任务集不同教师差 235 Elo）共同说明：教师再强，在信息断裂的环境里也只能产出带噪示范；环境修复 33 分的 Elo 增益与换更强教师的增益同量级。「把环境修对」是被普遍低估的杠杆——社区过去两年疯狂卷教师（更强的模型、拒绝采样、过程奖励），WorkFactory 证明修环境这一「前置工序」的边际回报同样丰厚。

SynthAPI 侧写印证：Nemotron 的 335K 轨迹教师数据在复杂 benchmark 上低于 zero-shot，短视程数据把模型带偏了。合起来读：教师决定了「可达上限的利用率」，环境决定了「上限本身」——上限低时换教师只是徒劳。这个规律对蒸馏管线的指导意义是排程式的：先修环境缺陷率，再上更强教师，顺序反了就是双重浪费。

规律三：推理努力的回报被环境时间结构门控。

Gym-Anything-RT 的 8% vs 9%（实时 Low vs xHigh）与 42% vs 57%（64× 减速 Low vs xHigh）是年度级别的反直觉数据点：在环境不等待的场合，「想得更多」直接等于「动得更晚」，认知优势被延迟成本吃掉。这为「快慢思考」的调度研究提供了第一批受控证据——推理预算应该与环境的时钟频率联合优化，而非单方面最大化。

配套发现「写代码绕过实时感知」则揭示了一条架构路线：让模型生成感知控制器、自身退居规划层，实时性约束从模型转移到代码。而「64× 减速仍差 paused 18 点」进一步提示存在第三档任务——任何持续演化都不可容忍——那需要的可能是异步推理、状态预测或全新的时间感知架构，不是更快的模型或更聪明的代码。

方法论反推：三组作者不约而同采用「特权信息换可解性保证」模式——SynthAPI 的 oracle 用整个数据库对象直接访问特权标识符、WorkFactory 的 probe 以 solver 视角暴露信息断点、Gym-Anything-RT 的 oracle solution 用程序内部状态执行必解轨迹——这是合成环境信用问题的当前最优解：环境的每个任务先被证明可做，模型失败才可归因于模型。

同样普遍的是「生成者-审计者分权」制度：SynthAPI 用验证器过滤任务、WorkFactory 用独立 probe 诊断、Gym-Anything-RT 用无修改权的 audit agent 专门猎捕实时捷径（64 个游戏重造、23 个被修订去刹车/去周期运动）。用制度设计对冲 LLM 生成的不可靠性，比寄望于生成模型本身更可靠。

另外三篇都展示了「对照优于规模」的实验审美：SynthAPI 的同预算配方对、WorkFactory 的三条件组件分析、Gym-Anything-RT 的时钟梯度，真正有信息量的不是绝对分数而是受控差分。在人人比拼 benchmark 分数的当下，这种「为归因而设计实验」的品味是值得同行学习的稀缺品。

七、通用灵感

最后把三篇的方法论内核抽象成可迁移的思维工具。这些工具不限于 AI 研究，对内容、管理、产品、教育场景同样适用。

灵感一：把「配比」当作与「总量」独立的一级变量。

SynthAPI 的核心操作是给生成过程装上正交旋钮（A/T/S/D），使「多少」与「什么结构」可分别操纵，进而发现总预算下的最优配比随规模迁移。这个思维适用于任何资源分配场景：内容运营的选题多样性 vs 单选题深度、投资组合的资产类别数 vs 单类持仓、课程设计的知识点广度 vs 单点练习量——都值得问一句「当预算翻十倍时，今天的配比还是最优吗」。多数系统从未测量过自己的 U(A,S,D)，规模化的第一步不是加资源，而是重新分配结构。

灵感二：为复杂系统画「信息支持图」，显式区分前提与待推导量。

WorkFactory 的通用教训是：复杂产出的失败多半不是能力不足，而是前提链断裂——某条关键信息缺失、或两处来源数值打架。把「每个结论依赖哪些输入、每个输入住在哪里、哪些该给、哪些该自己算」画成显式图，能把隐性的质量责任变成可检查的结构约束。

写技术文档、设计考题、搭建数据分析 pipeline、甚至管理工作交办，都能用这个「反向规划 + 载体绑定」的框架消灭「缺一条运费条款」式的返工。配套原则是「工作保持修复」：修补缺陷时先声明不可替代的实质工作，防止修复行为本身把任务价值掏空——文档评审中「帮人把结论写了」和教学辅导中「帮学生把题解了」都是越界修复的日常例子。

灵感三：给评测装「时钟」，把混淆变量变成可控维度。

Gym-Anything-RT 最可迁移的设计是让每个测试对象成为自己的对照——同一任务最小改动出对照版本、同一维度做出梯度（4×/16×/64× 减速）。任何归因困难的场景都可套用：产品留存下滑，是性能慢还是功能弱？做一个「功能冻结只提性能」的对照版本即可分离；学生考试失利，是知识缺还是速度慢？不限时重测一次便知。

核心口诀：当你无法解释失败时，先造一个只差一个变量的孪生场景。 归因的精度不取决于分析的深度，取决于对照的设计。

回到 AI 圈，这个思路正好对上当下最热的能力之争：某模型在某某 benchmark 超过人类——它是真超过了，还是 benchmark 恰好等它？Gym-Anything-RT 给出了一个示范性的质检动作：把环境的等待关系打开看一下，分数可能就从 66 掉到 9。未来每个号称「超越人类」的结果，或许都该附带一张「时钟设定说明」。

灵感四：用「特权验证者」给生成内容兜底，再用「分权审计者」防它作弊。

三篇共用的生成器-验证器-审计者三角，是当下 AI 辅助生产任何东西（代码、数据、文档）的可靠架构：生成者拿不到审计权、审计者拿不到修改权、验证者只认执行结果不认口头声明（Gym-Anything-RT 的 audit 明确「忽略注释与书面声明，只认截图与运行证据」）。人和 AI 协作的信任问题，答案不在更强模型，在这种制度化的分权。

顺带的组织启示：审计者的产出必须能回流到生成者的修订循环（audit 返回问题清单 → creator 修复 → 新 audit 复检），且要给修复设预算上限（WorkFactory 三轮即弃、Gym-Anything-RT 循环至 PASS）——无上限的修复循环是另一种形式的资源黑洞。

灵感五：当反应速度成为瓶颈时，把「感知-行动循环」下沉为代码。

Astra 的 3.4 倍提升提示了一条通用架构原则：慢速的智能体不必更快地思考，可以生成快速的代理。人机系统设计里到处是同构机会——交易系统把判断写成规则引擎、运维把诊断写成自动脚本、编辑把排版检查写成 lint。慢思考负责「生成快规则」，快规则负责「高频执行」，两层各司其职。

判别标准来自论文的反例：当代价是「无法可靠预先提取的环境信息」时（突发视觉变化、非结构化输入），下沉失效，此时需要的才是真正的快速模型。换言之，先问「这个实时任务的信息能否预先参数化」，能则写代码，不能则换架构——这是所有实时系统的第一个分岔口。另一个值得记住的细节是增益的能力依赖：写脚本补偿实时短板是 Astra 级模型的专利（+22 点），弱模型连这条路都走不通（Luna 仅 +4 点）——架构技巧无法替代底层能力。

结语

三篇论文合起来给「Agent 环境合成」这个方向立了三根标尺：SynthAPI 证明环境组成是可建模、可外推的科学量；WorkFactory 证明环境质量是可诊断、可修复的工程量；Gym-Anything-RT 证明环境的时间结构是被所有前作忽略、但一测就见分晓的评价量。

当 Agent 训练从「找数据」进入「造数据」阶段，造什么、怎么造、造得对不对、造得够不够快——这四个问题的答案正在分别成形。而且三篇的机构构成本身就是信号：纯企业（Apple）贡献了最体系化的 scaling 科学，企业+高校联合队贡献了最重的工程系统，纯高校双人组贡献了最锋利的测量范式——这个分工格局大概会延续到下一轮。

下一个值得关注的方向已经写在三篇的限制章节里：SynthAPI 的 law 尚未跨管线验证（作者自承只在单一数据管线上拟合，SimSAT 上的初步复现是好的开始但远非定论）、WorkFactory 还没上 RL（环境 verifier 与 probe 基础设施都已就位，RLVR 的边际增益是显而易见的下一步实验）、Gym-Anything-RT 还只是评测未曾训练（程序化生成器天然可做 RLVR 环境，作者也明说这是 future work）。

把它们接起来——用组成科学定配比、用信息工程保质量、把实时维度纳入训练——就是 2027 年的作业。谁先做完这三道题，谁的 Agent 就先学会在会动的世界里工作。