D3-Gym：为数据驱动发现构建真实世界可验证环境

尽管最近在科学数据驱动发现的语言模型和代理方面取得了进展，但由于缺乏代表现实世界科学任务的可验证环境，进一步提高其能力受到阻碍。为了填补这一空白，我们引入了 D3-Gym，这是第一个自动构建的数据集，具有用于科学数据驱动发现的可验证环境。 D3-Gym 包含 (1) 565 个任务，这些任务来自四个学科的 239 个真实科学存储库，其中 (2) 每个任务都配备了自然语言指令、具有预安装依赖项的可执行环境、输入数据集和工件预览、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证实，我们的评估脚本与人工注释的黄金标准达到 87.5% 的一致性，并且在特定领域的评估逻辑中具有很强的一致性，显示出其科学合理性。此外，对从 D3-Gym 采样的轨迹进行训练在 ScienceAgentBench 上不同大小的 Qwen3 模型上产生了一致且显着的收益，将 Qwen3-32B 提高了 7.8 个绝对点，并大大缩小了与强大的专有模型的差距。所有 D3-Gym 工件（环境、创建工作流程、轨迹和模型）都可以在 https://github.com/OSU-NLP-Group/D3-Gym 中找到。