Agent World Model in the Wild: Computer-Use Agent Environment Synthesis
Pubblicata su AIChronos il · fonte del · Zhaoyang Wang, Qianhui Wu, Haorui Wang, Simon Yu, Baolin Peng, Canwen Xu
Il paper propone WildAWM (Agent World Model in the Wild), un pipeline scalare per sintetizzare ambienti e compiti controllati destinati all'addestramento di agenti computer-use generici. A differenza degli approcci esistenti focalizzati su singole interfacce, questo sistema costruisce ambienti eseguibili che supportano congiuntamente GUI, servizi MCP (Model Context Protocol) e CLI, permettendo agli agenti di combinare flessibilmente l'interazione visiva, l'utilizzo di strumenti ed esecuzione del codice. L'intero processo è alimentato da modelli open-source, dimostrando la fattibilità di generare ambienti ad alta qualità senza ricorrere a modelli proprietari frontier. Il sistema affronta sfide come la solvabilità e la difficoltà dei compiti attraverso gate di qualità basati sull'esecuzione che combinano rollout eterogenei e controlli di consistenza incrociata.
- WildAWM sintetizza 341 coppie ambiente-compito a lungo termine, alcuni risolvibili in oltre 100 step dell'agente.
- Gli ambienti generati rimangono sfidanti anche per modelli frontier come GPT-6-Astra, che ne risolve solo il 60%.
- Due modelli Qwen addestrati esclusivamente su questi mondi sintetici mostrano guadagni significativi in benchmark out-of-distribution.
- La pipeline utilizza gate di qualità basati sull'esecuzione per garantire solvabilità e difficoltà sufficiente nei compiti generati.
- Tutto il sistema è basato interamente su stack open-source, eliminando la dipendenza da modelli proprietari.
Perché conta. Permette agli sviluppatori di addestrare agenti AI locali o customizzati in ambienti sintetici complessi senza costi elevati associati ai dati reali. Garantisce una generalizzazione robusta a compiti non visti, cruciale per implementazioni enterprise che richiedono sicurezza e controllo sui sistemi informatici.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.