真实代码库中的
软件工程任务
围绕代码理解、缺陷修复与功能开发构建任务，将评测环境转化为可反复交互的 RL 环境。
✳ CODE · SCIENCE · PHYSICAL AI
面向模型公司、Research Labs 与软件团队
01 / DATA & ENVIRONMENTS
从训练数据，到真实能力。
可运行 · 可评分 · 可回放
为下一代 Agent 构建学习的世界。
01
Coding Agents
让 Agent 在真实代码库与工具链里，完成真正的工作。
真实代码库中的
企业工作流
与 Agent 训练环境
把软件操作、工具调用和多步骤业务流程组织成任务，为企业软件构建 Agent 的训练与评测入口。
02
Science
从科学代码与工作流中，构建可验证的推理任务。
源自真实科研的
科学任务数据
从科学代码库发现任务种子，构建可执行任务，并结合程序验证与科学有效性检查，形成训练数据。
发现任务
从真实科研代码库中提取任务种子
构建任务
围绕科学工作流，生成可执行任务
双重验证
结合程序运行验证与科学有效性检查
把科学能力，
变成可测量的进步
围绕科学推理与代码执行构建评测，让任务、环境与验证器对齐，观察模型在真实科研工作中的表现。
03
Physical AI
连接仿真与真实世界，让智能具备行动的能力。
可回放、可评分的
具身任务
覆盖真实机器人的动作、观测、成功与失败判定。以任务集与评测环境，连接数据、训练和真机验证。
FROM SIMULATION TO REALITY为你的模型找到合适的任务与环境。
SCIENCE / SFT EVALUATION
科学任务，经过训练验证。
同一模型在不同科学评测中的 pass@1 提升
数据来源：ALLE AI Lab BP，科学数据管线实验。数值为 SFT 后 pass@1 的百分点增量；不同模型与任务的结果不可直接等同。
SELECTED RESEARCH / 团队代表研究
让研究，走向真实能力。
从可控的数据生成，到可验证的推理，
再到真实科学场景。
ControlMath
可控生成，高质量的推理数据。
从方程生成到问题改写与筛选，构建约 19 万条数学应用题，让训练数据覆盖更多推理类型。
研究介绍 · 方法与证据阅读全文 ↗
GraphPRM
让推理的每一步，都有反馈。
构建带步骤级标注的 GraphSilo 数据，训练过程奖励模型，为推理搜索和偏好优化提供细粒度反馈。
研究介绍 · 方法与证据阅读全文 ↗
S²R
让模型学会检查，再修正。
先用试错轨迹初始化自检与纠错行为，再通过结果级与过程级强化学习，提升模型自主推理能力。
研究介绍 · 方法与证据阅读全文 ↗
GCoder
把图问题，交给可执行的代码。
通过 GraphWild 数据、监督微调和编译器反馈优化，让模型生成并执行代码，解决多种图计算任务。
研究介绍 · 方法与证据阅读全文 ↗
XQueryer
从衍射图谱，识别晶体结构。
结合物理引导的模拟数据与识别模型，接入真实衍射仪，把实验图谱转为可用的晶体信息。
研究介绍 · 方法与证据阅读全文 ↗
PBT
让电池寿命预测，拥有共同的起点。
融合电池领域知识与多源循环数据，通过预训练和目标场景适配，研究可迁移的电池寿命预测模型。
研究介绍 · 方法与证据阅读全文 ↗
LET’S BUILD WHAT’S NEXT
下一次能力跃迁，
从一个真实任务开始。
告诉我们，你希望模型接下来学会什么。