Agent-R$^2$: Scaling Agents for Realistic Productivity Work via Real-Source Data Synthesis
Pubblicata su AIChronos il · fonte del · Teng Pan, Zixuan Wang, Yuchen Yan, Qifei Wu, Yao Chen, Yingqi Qu
Agent-R$^2$ è un framework per la sintesi di dati basato su fonti reali che mira a scalare l'addestramento di agenti AI per compiti produttivi realistici. A differenza dei metodi tradizionali, questo approccio utilizza semi occupazionali reali e file autentici provenienti dal web invece di flussi di lavoro manuali o file generati da LLM. Il modello addestrato su soli 4k istanze (Agent-R$^2$-4B) supera modelli molto più grandi come Qwen3-235B-A22B-Thinking-2507 in benchmark specifici per la produttività e il ragionamento basato sui file. Inoltre, l'architettura mitiga comportamenti scorciatoia tipici degli agenti, promuovendo un'esplorazione sostenuta durante flussi di lavoro a lungo termine.
- Sostituisce i flussi di lavoro manuali con dati sintetizzati da semi occupazionali reali e corpus web autentici per migliorare la fedeltà dell'addestramento.
- Distilla 4k istanze di task abbinando allegati multi-formato a rubriche dettagliate, superando modelli esistenti su GDPval (51.0% vs 48.0%) e OfficeQA.
- Combina supervised fine-tuning con reinforcement learning basato sulle rubriche per migliorare le prestazioni end-to-end della produttività.
- Riduce il comportamento di scorciatoia, spingendo gli agenti a costruire e verificare i deliverables in modo approfondito prima del completamento.
- Dimostra che la qualità dei dati sintetizzati da fonti reali è superiore alla quantità quando si tratta di compiti complessi come l'analisi di file eterogenei.
Perché conta. Permette agli sviluppatori di addestrare agenti locali su scenari produttivi realistici senza dipendere esclusivamente da dataset generati sinteticamente o costosi dati umani. Offre un metodo per migliorare il ragionamento basato sui file e mitigare le alucinazioni superficiali negli agenti che gestiscono flussi di lavoro complessi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.