Data World: Scaling Data Environments from Scratch
Pubblicata su AIChronos il · fonte del · Zhanli Li, Zeyuan Xu, Chaoxu Pang, Zeyuan Liu, Anyang Ji, Te Sun (LongCat)
Data World è un motore multi-agente che scala gli ambienti di dati sintetizzando esplicitamente mondi, compiti e criteri prima della generazione dei file. L'approccio risolve sfide come la curatela costosa degli ambienti, le restrizioni sulla privacy e la difficoltà nel verificare scoperte aperte senza una verità generativa nota. Tramite audit indipendenti e preferenze umane, il framework seleziona 100 compiti su 50 mondi tenuti da parte per creare DataWorld-Bench. Il training RL-zero sui task sintetizzati produce un modello derivato (DataWorld-35B-A3B) che supera significativamente la versione base in benchmark come DAComp e JobBench.
- Sintesi esplicita di ambienti, compiti e criteri prima della generazione dei file per evitare costi elevati di curatela.
- Audit indipendenti verificano il recupero degli obiettivi dai file osservati mentre i rubric supportano la valutazione RL.
- Selezione umana basata sulle preferenze garantisce realismo delle domande su 16 domini diversi.
- RL-zero addestra modelli senza distillazione di traiettoria, ottenendo miglioramenti significativi sui benchmark occupazionali.
- Il framework evidenzia un gap consistente tra computazione e scoperta di insight nei modelli frontier attuali.
Perché conta. È rilevante per gli sviluppatori che lavorano con agenti AI perché offre una metodologia strutturata per scalare ambienti dati complessi senza dipendere da dataset preesistenti costosi o soggetti a restrizioni IP. Inoltre, fornisce un framework di valutazione robusto (DataWorld-Bench) specifico per testare la capacità degli agenti di scoprire insight analitici in contesti eterogenei.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.