新智元報道

編輯：LRST

【新智元導讀】清華團隊提出EigenData系統(tǒng)，通過可執(zhí)行數(shù)據(jù)閉環(huán)優(yōu)化多輪Agent訓練，在真實場景中使開源模型表現(xiàn)達到與閉源系統(tǒng)相當水平。關鍵在于訓練數(shù)據(jù)的穩(wěn)定性和可驗證性，確保模型在交互中能持續(xù)學習有效策略，而非依賴不可靠的獎勵信號。

過去一年，Agent的「能力競賽」幾乎走到了一個拐點：單輪工具調(diào)用、短鏈路推理的提升還在繼續(xù)，但一旦進入真實多輪交互，系統(tǒng)開始暴露出完全不同的脆弱性。

工程團隊越來越頻繁地遇到同一問題：模型在離線評估中表現(xiàn)正常，但一旦進入真實多輪交互，訓練信號就開始頻繁失真。

一次異常的用戶行為、一次工具軌跡跑偏，都會把整段rollout的reward直接歸零，最終把強化學習推向錯誤方向。

越來越多的信號表明Agent訓練中：

多輪Tool-Using Agent的上限，越來越取決于訓練信號是否可歸因、可驗證，而不只是模型規(guī)模。

在τ2-bench等真實Tool-Using Agent基準中，研究者觀察到，多輪Agent在進入強化學習階段后，成功率并不總是隨訓練推進而單調(diào)提升，反而常伴隨明顯波動，這些波動并非來自模型能力不足，而更多源于長鏈路交互中用戶行為不穩(wěn)定與獎勵誤歸因的持續(xù)放大。

一項最新研究從系統(tǒng)層面重構(gòu)了多輪Agent的訓練流程：圍繞可執(zhí)行數(shù)據(jù)生成、用戶模型穩(wěn)定化與verifier-based獎勵提出了一套新的訓練范式，并在τ2-bench的三個真實工具域上完成驗證。

論文鏈接：https://arxiv.org/abs/2601.22607

在不引入更大模型規(guī)模的前提下，開源Qwen3系列模型在關鍵場景中實現(xiàn)了顯著提升：

Airline中73.0%pass1，與Gemini 3.0 Pro基本持平，明顯高于GPT-5（62.5%）

Telecom中98.3%pass1，達到當前公開的最佳結(jié)果，超過Gemini 3.0 Pro、Claude Sonnet與GPT-5

這些結(jié)果表明，借助系統(tǒng)級訓練范式的優(yōu)化，開源模型在真實工具交互任務上的可靠性已經(jīng)被推至與主流閉源系統(tǒng)同一梯隊。

多輪Agent難訓

并不是「不會用工具」

如果只停留在單輪工具調(diào)用層面，Agent的問題看起來并不復雜。

給定輸入、選擇工具、執(zhí)行一次、返回結(jié)果，reward也可以直接對應到這一步是否成功。

但一旦把視角拉到真實的多輪交互中，情況就完全變了。

對話被拉長為長鏈路的trajectory，工具調(diào)用不再是孤立事件，而是與用戶反饋交錯出現(xiàn)；用戶狀態(tài)也不再是靜態(tài)前提，而是在交互過程中不斷暴露、甚至發(fā)生漂移。

此時，Agent 面對的已經(jīng)不是「會不會用工具」，而是能否在一個持續(xù)變化的系統(tǒng)中保持決策一致性。

而在現(xiàn)實訓練環(huán)境中，模型往往表現(xiàn)出明顯的不穩(wěn)定性，模型容易學偏，甚至出現(xiàn)效果隨訓練波動、難以收斂的問題。

研究結(jié)果指明主要原因集中在兩點：

1. 缺乏真正「可用」的訓練數(shù)據(jù)

真正可用于多輪Agent訓練的數(shù)據(jù)，必須同時覆蓋：

多輪對話+ 多步工具執(zhí)行 + 用戶側(cè)信息逐步透露/改變偏好。

問題在于，這樣的數(shù)據(jù)在現(xiàn)實中幾乎不可能通過人工標注規(guī)模化獲得。而自動合成的數(shù)據(jù)，看似緩解了數(shù)據(jù)稀缺的問題，卻引入了新的隱患。

在大量樣本中，工具調(diào)用軌跡在文本層面「看起來合理」，但只要真正執(zhí)行一遍，就會觸發(fā)不可完成狀態(tài)，trajectory 在中途失敗。

最終，Agent 學到的并不是穩(wěn)定、可復現(xiàn)的工具使用能力，而是一種停留在表層的策略模式（surface-level policy），即它看起來像在做事，卻無法在真實系統(tǒng)中跑通。

2. 用戶模擬的不穩(wěn)定性會直接污染RL信號

在interactive RL設置中，用戶模擬器是驅(qū)動對話不可或缺的一環(huán)。但我們發(fā)現(xiàn)，開源模型充當用戶時經(jīng)常無法穩(wěn)定遵循指令，甚至會隨意調(diào)用工具，導致 rollout 提前失敗。

在多輪Tool-Using Agent的訓練中，reward不再只取決于某一次工具調(diào)用是否成功，而是由整段交互trajectory的最終狀態(tài)統(tǒng)一決定。這意味著，只要鏈路中任何一個環(huán)節(jié)出現(xiàn)偏差：一次用戶行為異常、一次工具誤調(diào)用、一次狀態(tài)提前終止，整段rollout的reward都可能被直接歸零。

從結(jié)果上看，Agent「失敗」了；但從系統(tǒng)內(nèi)部看，失敗并不一定來自agent policy本身，也可能來自于用戶模型本身的不穩(wěn)定性。

在真實訓練過程中，user model往往并不能始終穩(wěn)定地遵循任務設定。它可能偏離指令、誤調(diào)用工具，甚至在關鍵步驟提前結(jié)束對話。

這些行為本身并非agent決策的結(jié)果，卻會直接決定最終reward。

于是，情況就變成Agent在局部決策上是正確的，但由于用戶行為偏移，最終環(huán)境狀態(tài)失敗，reward被統(tǒng)一判為0

從強化學習的視角看，這構(gòu)成了嚴重的credit assignment failure。reward無法區(qū)分失敗究竟源于 agent policy，還是來自user policy的異常行為。在這種條件下，強化學習并不會「修正」問題，而是會不斷將噪聲反向傳播到agent上，最終推動策略朝著錯誤方向收斂。

從這個角度看，多輪Agent的訓練瓶頸，并不完全是算法問題，而是一個系統(tǒng)結(jié)構(gòu)問題。

基于這一判斷，論文并沒有繼續(xù)在強化學習算法層面疊加復雜性，而是選擇從更底層的訓練流程入手，重新拆解agent與user的角色分工。

EigenData不「生成更多數(shù)據(jù)」

讓數(shù)據(jù)自己進化

在多輪Tool-Using Agent的訓練中，數(shù)據(jù)問題往往被簡化為一個數(shù)量問題：數(shù)據(jù)夠不夠多、覆蓋夠不夠廣。

但在真實long-horizon交互場景下，這個假設并不成立。

大量 synthetic data 在文本層面看起來合理，邏輯自洽、對話完整，但一旦真正執(zhí)行工具調(diào)用，就會暴露出根本性問題：工具參數(shù)不合法、狀態(tài)無法到達、任務在中途進入不可完成區(qū)域。

這意味著，模型并不是在「失敗中學習」，而是在用不可執(zhí)行的軌跡訓練自己。因此原文中EigenData的設計重點關注了如何構(gòu)建一個可閉環(huán)演化的數(shù)據(jù)生成過程，即：

生成數(shù)據(jù) → 發(fā)現(xiàn)失敗 → 自動修正prompt與workflow → 再生成

EigenData并不是傳統(tǒng)意義上的synthetic data pipeline，而是一個能夠根據(jù)失敗反饋持續(xù)迭代的多智能體系統(tǒng)，結(jié)合自檢與自修復機制，逐步構(gòu)建出高質(zhì)量的數(shù)據(jù)集合。

在EigenData的工作流程中，每條訓練樣本都被要求必須滿足一個硬性條件：其對應的工具調(diào)用軌跡可以被完整執(zhí)行，并由verifier在代碼層面驗證最終環(huán)境狀態(tài)。

如果執(zhí)行失敗，失敗信息會被回流，用于自動修正 prompt、workflow 以及生成策略本身。

這使得數(shù)據(jù)分布并不是一次性生成的結(jié)果，而是會隨著失敗反饋持續(xù)向「可執(zhí)行區(qū)域」收斂。通過自動生成多輪對話并執(zhí)行真實工具調(diào)用，每一條數(shù)據(jù)實例都會配套一個「可執(zhí)行驗證器」，使得 Agent 行為是否成功可以通過代碼直接判斷，因此能夠保證數(shù)據(jù)質(zhì)量「越跑越好」。

從系統(tǒng)角度看，通過這一動作，EigenData不斷縮小了模型可以學習到的行為空間，使其對齊真實系統(tǒng)的可行解集。這一步保證了模型在RL介入之前，每個reward都可以真正對應到一個已經(jīng)被系統(tǒng)驗證后的結(jié)果，使訓練信號本身是可執(zhí)行、可驗證、可復現(xiàn)的。

先訓用戶模型，再訓Agent

即便訓練數(shù)據(jù)本身是可執(zhí)行的，多輪 Agent 的訓練仍然可能失敗。

原因在于，在interactive agent場景中，用戶模型本身就是系統(tǒng)的一部分。

如果user policy存在漂移或不穩(wěn)定性，即便 agent 的局部決策是正確的，整段 trajectory 仍可能因為用戶行為異常而失敗，最終 reward 被統(tǒng)一歸零。

基于這一認識，研究者們將訓練流程拆分為兩步：

1. 首先，使用EigenData生成的可執(zhí)行對話數(shù)據(jù)，對user model進行SFT微調(diào)，使其行為穩(wěn)定、可控，并與任務設定對齊；

2. 在用戶側(cè)不再成為主要噪聲源之后，才引入強化學習優(yōu)化agent policy。

這一拆分并不是額外的工程復雜度，而是一個系統(tǒng)級前置條件。它從根本上減少了 reward 的混雜來源，使強化學習不再頻繁懲罰「正確但被用戶行為破壞的決策」，訓練曲線也因此變得穩(wěn)定、可預測。

用「可執(zhí)行結(jié)果」替代主觀獎勵

在強化學習階段，該方法不再依賴模糊的reward model，而是用任務自帶的驗證函數(shù)（verifier）直接檢查最終環(huán)境狀態(tài)，實現(xiàn)「對 / 錯」的可執(zhí)行、可審計獎勵信號。

在此基礎上，引入GRPO的group-relative advantage：針對同一任務采樣多條trajectory，進行組內(nèi)相對優(yōu)勢學習，以降低long-horizon交互導致的高方差與不穩(wěn)定性。

同時使用dynamic filtering剔除「全對/全錯」的低信息樣本，將訓練預算集中于具有區(qū)分度的任務子集。

在這些設計的共同作用下，RL信號更干凈、更穩(wěn)定，訓練過程也更不易出現(xiàn)策略漂移。

實驗結(jié)果

開源模型訓練至接近封閉模型水準

為了驗證這一套系統(tǒng)級訓練范式在真實交互場景中的有效性，研究者在τ2-bench的三個真實工具任務（Airline / Retail / Telecom）上進行了系統(tǒng)評估。評估采用pass1指標，即要求Agent在一次完整多輪交互中成功完成任務，這一指標能夠更直接反映 Agent 在 long-horizon 場景下的穩(wěn)定性與可靠性。

結(jié)果顯示，性能提升并非偶然，而是在多個場景中穩(wěn)定出現(xiàn)。

• 在規(guī)則最復雜的Telecom場景中，Qwen3-235B-A22B-2507經(jīng)SFT + RL訓練后，pass1提升至98.3%，進入當前公開結(jié)果的最強梯隊；

• 在Airline場景中，同一模型達到73.0% pass1，整體表現(xiàn)已與主流閉源系統(tǒng)對齊。

• 更關鍵的是，在三域混合訓練設置下，一個模型同時學習多個工具環(huán)境，最終仍能保持81.3% 的平均 pass1，表明該方法學到的并非單一場景下的「投機策略」，而是更具通用性的 tool-using 能力。

進一步的消融實驗揭示了這些提升的來源。

一旦移除validation / verifier或數(shù)據(jù)自進化機制，SFT 階段的性能便出現(xiàn)明顯下降，說明數(shù)據(jù)的可執(zhí)行性與多樣性是能力形成的基礎；而如果在未對用戶模型進行穩(wěn)定化預訓練的情況下直接引入強化學習，整體性能反而會退化。這一結(jié)果表明，只有在用戶行為被有效控制的前提下，強化學習才能持續(xù)帶來正向增益。

可執(zhí)行訓練信號并不是一個「錦上添花」的技巧，而是一條明確的系統(tǒng)分界線。

當 Tool-Using Agent 進入真實多輪交互，問題不再只是「強化學習還能不能收斂」，而是訓練信號本身是否具備工程意義：它是否可執(zhí)行、可歸因、可驗證，是否真正對應到一個可復現(xiàn)的系統(tǒng)結(jié)果。這正是EigenData介入的位置。

通過將數(shù)據(jù)生成、工具執(zhí)行與verifier校驗統(tǒng)一進一個閉環(huán)系統(tǒng)，EigenData不只是為RL提供了「更干凈的reward」，而是重新定義了什么樣的訓練信號才值得被強化學習放大。在這一前提下，GRPO、dynamic filtering等優(yōu)化策略才第一次擁有清晰、穩(wěn)定的作用對象。

論文給出的判斷標準其實非常直接：如果一個多輪Agent的訓練流程無法明確回答「reward 到底在獎勵誰、失敗究竟由誰導致、同一任務下哪條軌跡更好」，那它在工程上仍停留在「看起來能跑」的 workflow，而不是「可以持續(xù)優(yōu)化」的system。

從這個角度看，訓練中出現(xiàn)的performance oscillation、reward 被異常用戶行為清零、RL 反而帶來退化，并不是實現(xiàn)細節(jié)上的瑕疵，而是訓練信號尚未被系統(tǒng)性構(gòu)造的必然結(jié)果。

這項工作的核心貢獻，并不在于提出一種新的RL技巧，而在于通過EigenData將多輪Agent的post-training推向一個新的工程范式：

當訓練信號先被構(gòu)造成可執(zhí)行、可歸因、可驗證的系統(tǒng)對象時，強化學習才真正成為一種可控的系統(tǒng)優(yōu)化；在此之前，再多的 rollout 和更大的模型，也只是在噪聲之上疊加計算。

參考資料：

https://arxiv.org/abs/2601.22607