Как научить ИИ выполнять большую рабочую задачу - и проверить, что он действительно справился? Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов. Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки: - Программную - для условий, которые можно проверить кодом. - Смысловую — для оценки содержания результата. Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента. Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов. После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3. Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам. https://arxiv.org/abs/2610.04906