論文の概要: Echoverse: Deep, Evolving Environments for Training Computer-Use Agents at Scale

• arxiv url: http://arxiv.org/abs/2607.28074v1
• Date: Thu, 30 Jul 2026 11:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.542804
• Title: Echoverse: Deep, Evolving Environments for Training Computer-Use Agents at Scale
• Title（参考訳）: Echoverse: コンピュータ利用エージェントを大規模に訓練するための深層・進化型環境
• Abstract要約: 仕様をステートフルなアプリケーションにコンパイルするEchoverseを紹介します。 9Bモデルは14回の評価分割で36.5%から67.1%に改善されている。 同じドメイン上では、浅い環境がベースモデルの下のライブサイト精度を押し上げます。 Deep one raise it up it (80.0 to 85.0$ and 4,8.0 to 65.0$); drilling one interface control across many renderings transfers to hold-out widget family and the open web。
• 参考スコア（独自算出の注目度）: 26.578975635950076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computer-use agents learn from what their actions change, so training one needs applications it can act on, break and reset. The applications that matter most are login-gated and stateful, so synthetic environments stand in for them. Recent pipelines generate such environments in bulk, which moves the bottleneck from how many exist to what is inside each one. The returns, we find, come from three properties: how much behavioural depth an environment carries, whether it targets the interaction an agent actually fails, and whether it improves alongside the model. We present Echoverse, which compiles specifications into stateful applications whose tasks are graded against the application's own database, and a co-evolution loop that reads every graded rollout twice: as repairs to the environment, its tasks and its verifier, and as training signal for the model. Trained on twelve such environments, a 9B model improves from $36.5\%$ to $67.1\%$ across fourteen evaluation splits, within fourteen points of the much larger frontier model that taught it. We examine each property in turn. On the same domains, shallow environments push live-site accuracy below the base model ($80.0 \to 75.0$) while deep ones raise it ($80.0 \to 85.0$ and $48.0 \to 65.0$); drilling one interface control across many renderings transfers to held-out widget families and to the open web; and repairing a single environment lifts the model trained on it from $16.2\%$ to $38.5\%$. The same worlds serve as reinforcement-learning environments, where a reward combining the grounded verifier with a dense per-step judge raises held-out score from $58.8\%$ to $68.0\%$. We release four environments as a benchmark, with their applications, seed data and grounded graders. Code: https://aka.ms/echoverse
• Abstract（参考訳）: コンピュータ利用エージェントは、アクションがどう変化するかから学習するので、トレーニングにはアクション、ブレーク、リセットが可能なアプリケーションが必要です。 最も重要なアプリケーションはログイン機能付きでステートフルなので、合成環境はそれらに対応する。 最近のパイプラインはそのような環境を大まかに生成しており、ボトルネックの数から内部にあるものへと移行している。 このリターンは、環境がどれだけ振舞うか、エージェントが実際に失敗するインタラクションをターゲットにしているか、モデルと一緒に改善するか、という3つの特性から得られます。 本稿では,タスクがアプリケーション自身のデータベースに対してグレードされたステートフルなアプリケーションに仕様をコンパイルするEchoverseと,すべてのグレードされたロールアウトを2回読み出す共進化ループについて紹介する。 そのような環境で訓練された9Bモデルは、それを教えるより大きなフロンティアモデルの14ポイント以内に、14の評価分割で36.5\%から67.1\%に改善された。 私たちはそれぞれの財産を順番に調べる。 同じドメインでは、浅い環境は、ベースモデルより低いライブサイト精度(80.0 \to 75.0$)で、深い環境はそれを上昇させる(80.0 \to 85.0$と48.0 \to 65.0$)。 同じ世界が強化学習環境として機能し、グラウンドド検証と高密度な1ステップの審査員を組み合わせた報酬は、ホールトアウトスコアを58.8.%から68.0.%に引き上げる。 ベンチマークとして4つの環境をリリースし、それらのアプリケーション、シードデータ、グラウンドドグレーダを用意します。 コード:https://aka.ms/echoverse

関連論文リスト

• AgentMercury: Your Agent Can Synthesize Verifiable Environments for Business Scenarios at scale [6.489568846701505]
  我々は高レベルのビジネスシナリオから実行可能な環境を合成するためのフレームワークであるAgentMercuryを紹介する。 我々は14の産業と50の国にまたがる4,783の実行可能な環境を構築し、強化学習のためのトレーニング基板として利用した。 建設トレース上での微調整Qwen3.5-35B-A3Bは,維持型ビジネスシナリオにおいて,実行可能オーサリングの成功率を3.3%から83.3%に向上させることを示す。
  論文  参考訳（メタデータ） (2026-08-21T00:15:45Z)
• EnvHarness: Awakening Static Worlds for Agent Learning [58.54600450547412]
  Environment Harnessは静的な環境をラップして、基礎となるロジックを変更することなく振る舞いを再構築する。 EnvHarnessは様々な領域にまたがって適用され、すべての再形環境が元の検証元を保持する。 EnvRiggerはターゲットポリシーをブラックボックスとして扱い、その実行軌跡を観察して、診断された欠陥をターゲットとしたEnvHarnessコンポーネントを合成する。
  論文  参考訳（メタデータ） (2026-08-20T10:42:06Z)
• SPADE: Self-Play in Adaptive Synthetic Executable Environments [110.80471334001574]
  1つのLLMが2つの役割を演じるセルフプレイのRLフレームワークであるSPADEを紹介する。 Environment Designerは、OpenAI Gymスタイルのreset()/step()インターフェイスで実行可能なコードとして、完全な長距離トレーニング環境を記述する。 環境デザイナは,大規模な事前学習コーパスから採取した文書に基づいて構築し,蓄積した環境記憶を与える。
  論文  参考訳（メタデータ） (2026-08-19T17:58:56Z)
• UI-Mate: Advancing Open-Weight Foundation GUI Agents with In-Context Demonstrations [68.29650478987561]
  UI-Mateは、環境に根ざしたトレーニングスタックとコンテキスト内の実演学習を統合する基盤GUIエージェントである。 OSWorldでは77.0%、WindowsAgentArenaでは66.2%と評価された。
  論文  参考訳（メタデータ） (2026-08-16T20:59:59Z)
• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring [0.3166549403591528]
  原文から抽出した14の教育的特徴に基づいて,主観認識型システムの開発と試験を行った。 シミュレーション環境では,まずプロンプトルーティングモデルを訓練し,その後,実際の高校生を対象にオンライン適応に展開する。
  論文  参考訳（メタデータ） (2026-06-18T12:00:37Z)
• Synthesize and Reward -- Reinforcement Learning for Multi-Step Tool Use in Live Environments [12.645050883623982]
  本稿では,3つのコントリビューションを持つPROVE(Programmatic Rewards On Verified Environments)を提案する。 20のステートフルMPPサーバからなるライブラリは343のツールを公開し、セッションスコープによるステートアイソレーションによるライブ実行RLトレーニングを可能にする。 状態マシンデータ合成パイプラインは、ライブサンプリングされたサーバ状態にグラウンドされたマルチターンツールコールトラジェクトリを生成し、実際に存在するクエリ参照エンティティを生成する。 BFCLのMulti-Turn、tau2-bench、T-Evalでは、PROVEは最大+10.2、+6.8、+6.5ポイントの改善をもたらす。
  論文  参考訳（メタデータ） (2026-06-02T16:52:31Z)
• ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
  マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。 現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。 最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
  論文  参考訳（メタデータ） (2026-04-26T16:05:02Z)
• TRACE: Capability-Targeted Agentic Training [11.088296897059157]
  環境特異的なエージェント自己改善のためのエンドツーエンドシステムであるTRACEを紹介する。 TRACEは、機能不足を特定するために、成功と失敗の軌跡を対比している。 目標とするトレーニング環境を合成し、その能力が行使されたかどうかを報奨する。 各合成環境において、LoRAアダプタをRL経由でトレーニングし、推論時に関連するアダプタにルーティングする。
  論文  参考訳（メタデータ） (2026-04-07T02:22:44Z)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)
• Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning [62.499592503950026]
  大規模言語モデル(LLM)は、ツールや環境とのマルチターンインタラクションを必要とする複雑なタスクを実行するために、自律エージェントに権限を与えている。 完全合成環境生成パイプラインであるエージェント・ワールド・モデル(AWM)を提案する。 私たちは、エージェントがリッチなツールセットと対話できる、毎日のシナリオをカバーする1,000の環境にスケールします。
  論文  参考訳（メタデータ） (2026-02-10T18:55:41Z)
• PIPer: On-Device Environment Setup via Online Reinforcement Learning [74.52354321028493]
  自動化された環境設定メソッドは、任意のリポジトリに対して、手作業なしで完全に構成された環境を提供することで、開発者を支援することができる。 近年の研究では、最先端のLarge Language Models (LLMs) でさえ、このタスクの自動化に限られた成功をおさめていることが明らかになっている。 我々は、正しいスクリプトを生成するための教師付き微調整と、環境設定のタスクに適応するために、Reinforcement Learning with Verifiable Rewards(RLVR)を組み合わせる。 EnvBench-Python では,より大型の Qwen3-32B や GPT-4 と同等に動作可能な Qwen3-8B (コンシューマハードウェア上で動作可能なモデル) を実現する。
  論文  参考訳（メタデータ） (2025-09-29T20:03:05Z)
• Exploration-Driven Generative Interactive Environments [53.05314852577144]
  我々は、低コストで自動収集されたインタラクションデータに多くの仮想環境を使用することに重点を置いている。 仮想環境におけるランダムエージェントのみを用いたトレーニングフレームワークを提案する。 我々のエージェントは環境固有の報酬に完全に依存しているため、新しい環境に容易に適応できる。
  論文  参考訳（メタデータ） (2025-04-03T12:01:41Z)

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。