WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training
Pubblicata su AIChronos il · fonte del · Ziyang Zeng, Tingyang Chen, Jia Deng, Qiyao Wang, Shuo Tang, Yike Yang
WorkFactory è un framework scalabile progettato per costruire compiti professionali coerenti ed eseguibili partendo da intenzioni professionali. Il sistema utilizza la pianificazione a livello informativo e l'esecuzione di sonde (probe executions) per identificare fallimenti nel supporto delle informazioni, guidando le riparazioni necessarie senza alterare il lavoro previsto. Questo approccio ha permesso di generare un dataset composto da 112.686 compiti su 612 professioni, utilizzato per fine-tune modelli Qwen a diverse scale (4B, 27B e 35B-A3B). I resulting WorkPilot models superano i loro base models in quattro benchmark di lavoro professionale.
- Costruzione automatica di compiti professionali coerenti partendo da intenzioni tramite un information support graph.
- Utilizzo di probe executions per diagnosticare e riparare fallimenti nell'esecuzione del supporto informativo.
- Fine-tuning dei modelli Qwen (4B, 27B, 35B-A3B) su dataset massivi derivanti da traiettorie di teacher esperti.
- Miglioramento significativo delle prestazioni sui benchmark professionali come GDPval-AA v2.1.
- Analisi dello scaling che evidenziano rendimenti decrescenti dipendenti dal modello e dalla lunghezza dell'esecuzione.
Perché conta. È rilevante per gli sviluppatori di agenti AI perché fornisce un metodo robusto per generare dati di supervisione affidabili, risolvendo il problema delle informazioni mancanti o incoerenti che ostacolano l'addestramento degli agents. Inoltre, offre modelli fine-tuned pronti all'uso (WorkPilot family) ottimizzati per compiti professionali specifici.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.