論文の概要: WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents

• arxiv url: http://arxiv.org/abs/2609.36887v1
• Date: Tue, 29 Sep 2026 07:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.273933
• Title: WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents
• Title（参考訳）: WEFT:汎用エージェントのツール使用後のスケーリング
• Abstract要約: WEFTは、環境幅、タスクの複雑さ、相互作用の多様性にまたがるエージェントインタラクションシステムの構築をスケールする。 大規模で安定した後トレーニングでは、WEFTは最適化と実行の信頼性の両方に対処する。 様々なモデルとベンチマークによる実験は、ツール使用後のトレーニングにおけるWEFTの有効性を示す。
• 参考スコア（独自算出の注目度）: 83.57238211078025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent efforts to scale tool-use post-training have largely centered on the synthesis of executable environments, which constitute only one component of a broader agentic interaction system comprising the environment, task, agent harness, and evaluator. Scaling environments in isolation, however, does not guarantee commensurate gains in model performance, because reliable learning signals depend on coherent interactions among all components of the agentic interaction system. To address this problem, we introduce WEFT (Whole-system Evolution For Tool-use Post-training), which couples scalable agentic interaction system construction, execution-driven self-evolution, and stable post-training. WEFT scales agentic interaction system construction across environment breadth, task complexity, and interaction diversity. Execution-driven self-evolution iteratively uses execution traces and state evidence to attribute failures and revise the responsible components, with fresh rollouts evaluating the changes and providing evidence for subsequent evolution rounds. For stable post-training at scale, WEFT addresses both optimization and execution reliability: prefix-preserving sampling retains verified progress and atomic-turn credit assignment localizes learning signals, while MegaMCP maintains isolated, recoverable state across concurrent rollouts over shared tool services. Extensive experiments across various models and benchmarks demonstrate the effectiveness of WEFT for tool-use post-training. WEFT-8B and WEFT-14B outperform all evaluated matched-size environment-scaling baselines on BFCL V4, $τ^2$-Bench, and Claw-Eval. In particular, WEFT-14B improves over Agent-World-14B by 6.41, 2.23, and 12.27 percentage points. WEFT-35B-A3B further extends these gains to more challenging long-horizon workflow benchmarks, including Toolathlon-Verified and AutomationBench.
• Abstract（参考訳）: ツール使用後トレーニングのスケールアップに向けた最近の取り組みは, 環境, タスク, エージェントハーネス, 評価器からなる, より広範なエージェントインタラクションシステムの1つの構成要素を構成する実行可能な環境の合成を中心に行われている。 しかし、信頼性のある学習信号はエージェント間相互作用システムのすべてのコンポーネント間のコヒーレントな相互作用に依存するため、モデル性能における余剰利得は保証されない。 この問題を解決するためにWEFT(Whole-system Evolution For Tool-use Post-training)を導入する。 WEFTは、環境幅、タスクの複雑さ、相互作用の多様性にまたがるエージェントインタラクションシステムの構築をスケールする。 実行駆動の自己進化は、実行トレースとステートエビデンスを反復的に使用して、障害を判断し、責任のあるコンポーネントを修正し、変更を評価し、その後の進化ラウンドの証拠を提供する。 WEFTは最適化と実行の信頼性の両方に対処する: プレフィックス保存サンプリングは検証された進捗を維持し、アトミックターンのクレジット割り当ては学習信号をローカライズする。 様々なモデルとベンチマークにわたる大規模な実験は、ツール使用後のトレーニングにおけるWEFTの有効性を示す。 WEFT-8BとWEFT-14Bは、BFCL V4, $τ^2$-Bench, Claw-Evalのマッチングサイズ環境スケーリングベースラインを全て評価した。 特にWEFT-14BはAgen-World-14Bよりも6.41、2.23、12.27ポイント向上している。 WEFT-35B-A3Bは、Toolathlon-Verified や AutomationBenchなど、より困難なロングホライゾンワークフローベンチマークまで、これらの利益をさらに拡大している。

関連論文リスト

• AnyAct: Universal Action for Self-Evolving Agents [9.21773491882286]
  我々は、利用可能な機能を自己進化的なアクション空間に統合するユニバーサルアクション層であるAnyActを提案する。 AnyActの中核となる設計は、階層的なプログレッシブ検索とテスト時間信頼性の進化によるこのアクション空間の構築という2つの目的に焦点を当てている。 LiveMCPBenchとOSMCPの評価は最先端の性能を示す。
  論文  参考訳（メタデータ） (2026-09-29T08:41:27Z)
• Do Agents Know When They Succeed? Calibrating Agent Confidence from Internal Representations [0.09085204695117637]
  従来の機械学習システムと比較すると、エージェントは計画、ツール呼び出し、動的環境相互作用を伴う複雑な障害モードを持つ。 モデルの内部表現が,マルチターンエージェント構成における最終的なタスク成功のシグナルをより強くするかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-08T20:58:49Z)
• DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows [69.12339622053588]
  我々はDuMateBenchを紹介した。DuMateBenchは匿名化およびプライバシスクリーニングによるユーザセッションから再構築されたリアルセッションベンチマークである。 結果として得られたベンチマークは、8つの広いシナリオにまたがる200のタスクと、17のきめ細かい機能カテゴリで構成されている。 これらのタスクは、Isufficient、Unstable、Noisyの3種類の環境複雑性を注入した、分離されたDockerコンテナで実行します。
  論文  参考訳（メタデータ） (2026-08-27T02:36:23Z)
• From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
  EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。 EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2026-07-08T12:09:49Z)
• SEAL: Synergistic Co-Evolution of Agents and Learning Environments [11.720414165425256]
  大きな言語モデル(LLM)エージェントは、インタラクションによってますます改善されている。 ほとんどの自己進化的手法は、政策または学習環境を独立に適応させる。 対話型ツール利用エージェントのためのクローズドループ共進化フレームワークSEALを提案する。
  論文  参考訳（メタデータ） (2026-05-23T06:41:31Z)
• 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)
• ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas [13.919124676472022]
  ASTRAは、ツール拡張言語モデルエージェントをトレーニングするためのエンドツーエンドフレームワークである。 ASTRAはスケーラブルなデータ合成と検証可能な強化学習を統合している。 複数のエージェントツール使用ベンチマークの実験は、ASTRA訓練されたモデルが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-29T11:22:23Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)

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。