训练能熟练使用工具的多轮对话智能体，长期面临数据难获取、奖励信号噪声大的两大瓶颈。一项名为EigenData的新研究提出统一的后训练框架，通过自进化数据引擎和可验证的强化学习方法，系统性解决了这些问题。其核心价值在于，完全基于开源模型实现了对顶级闭源模型的超越，为高性能智能体的开源发展提供了可复现的新路径。
智能速览
提出EigenData框架，解决多轮工具智能体的数据和奖励瓶颈。
自进化数据引擎能自动生成高质量对话数据及验证函数。
可验证奖励机制通过程序化校验，直接作为强化学习信号。
采用先SFT用户模型再进行RL的训练策略，稳定信号来源。
基于Qwen3开源模型，在τ²-bench上超越GPT-5等闭源模型。
精华内容
EigenData框架的精妙之处在于，它将数据生成与模型训练融为一体，构建了一个能够自我完善的闭环系统。接下来将深入解析其两大核心支柱：自进化数据引擎和可验证奖励机制。
自进化数据引擎
为了解决高质量多轮工具数据难以规模化获取的问题，该框架构建了一个分层多Agent系统。这个系统能够自动生成包含多轮、多步、工具实际落地的对话数据。
与传统一次性数据合成不同，它具备工作流级的自进化能力。系统会基于任务执行的失败反馈，自动优化自身的Prompt和工作流，形成一个持续改进的闭环。这意味着数据生成的质量和效率会随着时间推移而不断提升。
可验证奖励RLVR
在交互式强化学习中，奖励噪声是一个巨大挑战，尤其是来自用户模拟的噪声。EigenData摒弃了依赖文本相似度的传统奖励方式，创新性地提出了“可验证奖励”机制。
该机制通过对“最终环境状态”和“关键工具调用”进行程序化校验来生成奖励信号。这种方法不依赖主观判断，而是基于客观的程序化结果，天然适配可验证奖励的强化学习（RLVR），极大地降低了噪声干扰。
创新训练配方
研究团队发现，用户模拟是交互式RL训练中的主要噪声源。为此，他们设计了一套独特的训练配方：首先对用户模型进行有监督微调（SFT），然后再用其进行rollout，这显著稳定了训练信号。
在强化学习阶段，采用Group Relative Policy Optimization（GRPO）算法。该算法在同一任务内对多条轨迹进行标准化比较，有效缓解了绝对奖励稀疏的问题。此外，系统还会动态过滤掉那些所有轨迹全成功或全失败的无信息任务，避免零优势噪声污染梯度。
卓越性能表现
EigenData框架的效能已在业界权威的τ²-bench基准测试中得到验证。整个实现完全基于Qwen3开源模型，且不依赖任何人工标注和闭源奖励模型。
结果显示，其性能达到了当前最优水平（SOTA）：在Airline任务上达到73.0%的通过率，在Telecom任务上更是达到了惊人的98.3% pass 1。这一成绩全面超越了GPT-5、Gemini 3.0 Pro与Claude Sonnet等顶尖闭源模型。
EigenData框架的成功，为解决智能体训练中的关键难题提供了全新的开源范式。它证明了通过巧妙的工程设计与算法创新，开源模型同样可以达到顶尖水平。这项研究是否会加速高性能智能体的普及，并催生更多自进化AI系统的诞生？
