CoworkEnv: Synthesizing Training Environments for Long-Horizon Cowork Agents
Pubblicata su AIChronos il · fonte del · Zhongwei Xie, Yiming Du, Jiaxin Bai, Baixuan Xu, Chunyang Li, Xiyu Ren
CoworkEnv è un framework guidato dalle capacità per sintetizzare ambienti di addestramento eseguibili destinati agli AI coworkers. Il sistema utilizza requisiti del workflow e validazione programmatica con riparazione tramite feedback per generare specifiche coerenti, registri dei servizi e controlli di valutazione. Attraverso l'esecuzione da parte di un 'teacher', vengono curati dimostrazioni per il supervised fine-tuning (SFT), mentre le interazioni degli studenti forniscono roll-out e ricompense per l'apprendimento per rinforzo (RL). L'approccio ha dimostrato di migliorare significativamente i punteggi su benchmark come Claw-Eval, portando un modello Qwen3-VL-8B-Instruct da 46.6 a 64.1.
- Il framework sintetizza ambienti eseguibili che coordinano strumenti e gestiscono lo stato del workspace in tempo reale rispettando i vincoli di flusso di lavoro.
- La validazione programmatica con controlli di riparazione tramite feedback garantisce la coerenza delle specifiche generate e il comportamento di valutazione.
- L'architettura supporta sia l'SFT per creare dimostrazioni curate da un 'teacher', sia l'RL utilizzando interazioni degli studenti come dati di addestramento.
- I test su Claw-Eval mostrano un guadagno del 31.9 punti sui compiti multi-turno, evidenziando l'efficacia dell'ambiente sintetico per agenti a lungo termine.
- L'estensione SFT-only al benchmark ClawMark conferma la generalizzabilità della metodologia attraverso diversi standard di valutazione.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, CoworkEnv offre una soluzione strutturata per creare ambienti di addestramento realistici senza dipendere da dati preesistenti o costosi dataset umani. Questo è cruciale per ottimizzare le politiche degli agenti in scenari complessi dove la coordinazione tra strumenti e il rispetto dei vincoli operativi sono essenziali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.