人大开源Claw Agent数据+训练+评测全链条框架，13.5K可执行任务，支持沙盒并行强化学习
人大开源Claw Agent数据+训练+评测全链条框架，13.5K可执行任务，支持沙盒并行强化学习
北邮、北大团队提出 STAGE 框架，通过预测「起始-结束帧对」解决多镜头视频连贯性问题，已录用至 CVPR 2026。
大模型正从"回答问题"走向"完成任务"，但面向 Personal Agent（如 OpenClaw 这类桌面智能体）的数据构建、模型训练和能力评测，一直缺乏系统性的解决方案。中国人民大学和至知研究院开源的 ClawGym 提供了一个从数据合成到训练再到评测的完整闭环，是目前最全面的 OpenClaw 训练与评测资源。
ClawGym 是一个面向 Claw Agents 的一体化框架，系统连接数据合成、模型训练与可靠评测。它包含三个核心模块：
Claw-style 环境和传统的文本问答、网页浏览或简单工具调用有本质区别。Agent 面对的不是一个静态题目，而是一个由文件、目录、脚本、表格、配置、日志和外部工具组成的复杂工作区。
它需要在多轮交互中读取文件、运行命令、分析数据、修改文档、生成报告，并根据环境反馈不断调整行动。每一步操作都会改变工作区状态，后续决策又依赖这些中间状态。
任务是否完成，不取决于 Agent 说"我完成了"，而取决于最终工作区是否真的被正确更新。
这带来四个核心挑战：
为了保证任务既贴近真实需求又真正可执行，ClawGym 用了两条互补的合成路线：
每个任务都有自动生成的轻量级 mock workspace（Markdown、JSON、CSV、YAML、配置文件等），提供执行过程中需要读取、分析、修改的内容。
ClawGym 通过 OpenClaw 黑盒 rollout 收集真实交互轨迹，而不是重新实现简化 agent loop。轨迹经过聚合、清洗和筛选后，平均包含：
基于这些轨迹对 Qwen3 系列模型进行 multi-turn SFT，得到三个模型：
| 模型 | 基座 | 特点 |
|---|---|---|
| ClawGym-4B | Qwen3-4B | 轻量级 |
| ClawGym-8B | Qwen3-8B | 均衡型 |
| ClawGym-30B-A3B | Qwen3-30B-A3B | 高性能 |
此外还探索了沙盒并行 RL：每个任务在独立 sandbox 中运行，用 code verifier 提供 outcome reward。实验表明 RL 在 SFT 基础上还能带来进一步提升。
ClawGym-Bench 包含 200 个经过严格筛选的任务，涵盖六类典型工作区场景：
每个任务都经过"大模型诊断式检查 + 人类审查"的双重审核，确保指令清晰、资源完整、验证可靠。
关键数据：
团队已开源五项核心资源：
GitHub 地址：https://github.com/ClawGym
ClawGym 的核心价值在于它不只关注模型能否"说出答案"，而是系统性地关注模型能否在工作区中完成可检查、可验证的任务。对于 Personal Agent 来说，这是从对话能力走向执行能力的关键一步。
