論文の概要: OpenThoughts-Agent: Data Recipes for Agentic Models

• arxiv url: http://arxiv.org/abs/2606.24855v1
• Date: Tue, 23 Jun 2026 17:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.134345
• Title: OpenThoughts-Agent: Data Recipes for Agentic Models
• Title（参考訳）: OpenThoughts-Agent:エージェントモデルのためのデータ準備
• Abstract要約: OT-Agentプロジェクトはエージェントモデルをトレーニングするための完全にオープンなデータキュレーションパイプラインである。 パイプラインの各段階について100以上の制御アブレーション実験を行った。 このデータセットには、パイプラインから100Kのサンプルと微調整されたQwen3-32Bのトレーニングセットが組み込まれています。
• 参考スコア（独自算出の注目度）: 99.10629645072653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic language models dramatically expand the applications of AI yet little is publicly known about how to curate training data for broadly capable agents. Existing open efforts such as SWE-Smith, SERA, and Nemotron-Terminal typically target a single benchmark, leaving open the question of how to train models that generalize across diverse agentic tasks. The OpenThoughts-Agent (OT-Agent) project addresses this gap with a fully open data curation pipeline for training agentic models. We conduct more than 100 controlled ablation experiments to systematically investigate each stage of the pipeline, yielding insights on the importance of task sources and diversity. We then assemble a training set of 100K examples from our pipeline and fine-tune Qwen3-32B on this dataset, which yields an average accuracy of 44.8% across seven agentic benchmarks and a 3.9 percentage point improvement over the strongest existing open data agentic model (Nemotron-Terminal-32B, 40.9%). Moreover, our training data exhibits strong scaling properties, outperforming alternative open datasets at every training set size in compute-controlled comparisons. We publicly release our training sets, data pipeline, experimental data, and models at openthoughts.ai to support future open research on agentic model training.
• Abstract（参考訳）: エージェント言語モデルはAIの応用を劇的に拡大するが、幅広い能力を持つエージェントのトレーニングデータをキュレートする方法については一般には知られていない。 SWE-Smith、SERA、Nemotron-Terminalといった既存のオープンな取り組みは、通常1つのベンチマークをターゲットにしており、さまざまなエージェントタスクにまたがって一般化するモデルをトレーニングする方法に関する疑問が残る。 OpenThoughts-Agent(OT-Agent)プロジェクトは、エージェントモデルをトレーニングするための完全にオープンなデータキュレーションパイプラインで、このギャップに対処する。 我々は100以上の制御されたアブレーション実験を行い、パイプラインの各ステージを体系的に調査し、タスクソースと多様性の重要性についての洞察を得る。 次に、このデータセット上でパイプラインから100Kのサンプルと微調整のQwen3-32Bのトレーニングセットを組み立てます。これにより、7つのエージェントベンチマークの平均精度が44.8%、最強のオープンデータエージェントモデル(Nemotron-Terminal-32B, 40.9%)よりも3.9%向上します。 さらに、我々のトレーニングデータは、強力なスケーリング特性を示し、計算制御比較において、トレーニングセットのサイズ毎に、代替のオープンデータセットよりも優れています。 エージェントモデルトレーニングに関する今後のオープンな研究を支援するため、オープン思想.aiでトレーニングセット、データパイプライン、実験データ、モデルを公開する。

関連論文リスト

• AgencyBench: Benchmarking the Frontiers of Autonomous Agents in 1M-Token Real-World Contexts [35.52607495764441]
  大規模言語モデル(LLM)に基づく自律エージェントは、経済的生産に大きく貢献する多面的能力を示す。 我々は、毎日のAI使用から派生したベンチマークであるAgentBenchを紹介し、32の現実シナリオにわたる6つのコアエージェント能力を評価した。 これらのシナリオでは、平均90のツールコール、100万のトークン、解決に必要な実行時間が必要です。
  論文  参考訳（メタデータ） (2026-01-16T07:22:20Z)
• Temporal Attack Pattern Detection in Multi-Agent AI Workflows: An Open Framework for Training Trace-Based Security Models [0.0]
  マルチエージェントAIにおける時間的攻撃パターンを検出するために,言語モデルを微調整するためのオープンドキュメンテーション手法を提案する。 18の公開サイバーセキュリティソースと35,026の合成OpenTelemetryトレースから80,851のデータセットをキュレートする。 カスタムベンチマークの精度は42.86%から74.29%に向上し、統計的に有意な31.4ポイントの上昇となった。
  論文  参考訳（メタデータ） (2025-12-29T09:41:22Z)
• Klear-AgentForge: Forging Agentic Intelligence through Posttraining Scaling [46.593200463657645]
  我々は,Klear-Qwen3-AgentForgeという高性能エージェントモデルを学習するための,包括的で完全なオープンソースパイプラインを提案する。 合成データを用いた効率的な教師付き微調整(SFT)とマルチターン強化学習(RL)を併用し,多種多様なエージェントタスクの可能性を解き放つ。
  論文  参考訳（メタデータ） (2025-11-08T09:47:27Z)
• Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
  本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。 ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。 すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
  論文  参考訳（メタデータ） (2025-10-28T17:53:13Z)
• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance [68.18779562801762]
  マルチモーダルモデルは、下流の"ゼロショット"のパフォーマンスを線形改善するために、指数関数的に多くのデータを必要とする。 本研究は,大規模な訓練パラダイムの下での「ゼロショット」一般化能力の鍵となる訓練データに対する指数関数的要求を明らかにする。
  論文  参考訳（メタデータ） (2024-04-04T17:58:02Z)
• AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
  textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。 AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-23T18:56:26Z)
• Cross-Modal Fine-Tuning: Align then Refine [83.37294254884446]
  ORCAはクロスモーダルな微調整フレームワークであり、単一の大規模事前訓練モデルの適用範囲を様々に拡張する。 ORCAは12のモダリティから60以上のデータセットを含む3つのベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-11T16:32:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。