D3-Gym：用于数据驱动发现构建真实世界可验证环境
人工智能
2026-05-04 v2 机器学习
摘要
尽管近期在语言模型和智能体方面取得了进展，但由于缺乏代表真实世界科学任务的可验证环境，进一步推动其能力受到限制。为填补这一空白，我们引入D3-Gym——第一个为科学数据驱动发现构建的可自动生成数据集，包含可验证环境。D3-Gym包含（1）来自四个学科中239个真实科学仓库的565个任务，其中（2）每个任务配备自然语言指令、可执行环境（预安装依赖项）、输入数据集与制件预览、参考代码解决方案，以及自动合成的评估脚本。对D3-Gym中验证信号质量的严格评估表明，评估脚本与人工标注的金标准之间达到87.5%的一致性，并在领域特定评估逻辑方面表现出强烈对齐，显示其科学性。进一步地，在D3-Gym中采样的轨迹训练可在ScienceAgentBench上为不同规模的Qwen3模型带来一致且显著的提升，使Qwen3-32B提升7.8分，显著缩小了与顶尖专有模型的差距。所有D3-Gym制件（环境、创建工作流程、轨迹和模型）均可在https://github.com/OSU-NLP-Group/D3-Gym 查阅。
引用
@article{arxiv.2604.27977,
title = {D3-Gym: Constructing Real-World Verifiable Environments for Data-Driven Discovery},
author = {Hanane Nour Moussa and Yifei Li and Zhuoyang Li and Yankai Yang and Cheng Tang and Tianshu Zhang and Nesreen K. Ahmed and Ali Payani and Ziru Chen and Huan Sun},
journal= {arXiv preprint arXiv:2604.27977},
year = {2026}
}