Modèle de monde pour agents autonomes : un environnement synthétique open source
En bref
- WildAWM génère 341 tâches complexes pour agents autonomes, nécessitant plus de 100 étapes.
- Les environnements intègrent interfaces graphiques, lignes de commande et protocoles de contexte.
- Deux modèles Qwen entraînés sur ces données améliorent leurs performances sur 8 benchmarks externes.
Des chercheurs proposent WildAWM, une méthode open source pour générer des environnements d'entraînement pour agents capables d'utiliser des ordinateurs. Selon l'annonce, ce pipeline synthétise 341 tâches complexes nécessitant plus de 100 étapes d'agent, avec des vérifications automatisées pour garantir leur difficulté et leur solvabilité. Les environnements générés intègrent interfaces graphiques, protocoles de contexte et lignes de commande, permettant aux agents de combiner actions visuelles, outils et exécution de code.
L'étude montre que deux modèles Qwen entraînés uniquement sur ces données synthétiques améliorent leurs performances sur 8 benchmarks externes, dont des tâches d'agents web, en ligne de commande et d'utilisation d'ordinateur. Les résultats indiquent que 60 % des tâches restent insolubles même pour des modèles avancés comme GPT-6-Astra, confirmant la difficulté des environnements générés.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez Hugging Face Daily Papers.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur