論文の概要: Cowork-Gym: Synthesizing Interactive Work Environments at Scale

• arxiv url: http://arxiv.org/abs/2610.17670v1
• Date: Tue, 13 Oct 2026 03:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.500843
• Title: Cowork-Gym: Synthesizing Interactive Work Environments at Scale
• Title（参考訳）: Cowork-Gym: インタラクティブな作業環境を大規模に合成する
• Abstract要約: ワークエージェントは、ツールやファイル間の依存関係をナビゲートし、ユーザ要求の変更や共有ワークスペースへの編集に適応する。 Cowork-Gymは、ビルド・実行・修正ループを通じてCowork環境を合成するフレームワークです。 現実的なコワークダイナミクスをキャプチャするために、ステートフルユーザシミュレータは対話を通じてエージェントのアクションに応答し、共有ワークスペースに直接編集する。
• 参考スコア（独自算出の注目度）: 79.11567848319275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cowork agents navigate dependencies across tools and files while adapting to changing user requirements and edits to shared workspaces. Scaling such environments requires maintaining consistency among task objectives, executable resources, user behavior, and success criteria. We introduce Cowork-Gym, a framework that synthesizes Cowork environments through a build-execute-revise loop that uses execution evidence and review feedback to validate and repair generated environments. To capture realistic Cowork dynamics, a stateful user simulator responds to the agent's actions through dialogue and direct edits to the shared workspace. We synthesize 64.9K environments across 14 application scenarios and use them to post-train 9B, 27B, and 35B-A3B Qwen models with supervised fine-tuning, reinforcement learning, and on-policy distillation. Averaged across six agentic benchmarks, these models outperform their corresponding base checkpoints by 8.7, 6.4, and 4.1 points, respectively. Ours-27B ranks second overall among the evaluated models and achieves the highest average scores on PawBench and ClawEval, outperforming models with over 100B total parameters on both benchmarks.
• Abstract（参考訳）: ワークエージェントは、ツールやファイル間の依存関係をナビゲートし、ユーザ要求の変更や共有ワークスペースへの編集に適応する。 このような環境をスケールするには、タスク目標、実行可能なリソース、ユーザの振る舞い、成功基準間の一貫性を維持する必要があります。 Cowork-Gymは、ビルド・エグゼクティブ・リビジョンのループを通じてCowork環境を合成するフレームワークで、実行証拠とレビューフィードバックを使って生成された環境を検証および修復する。 現実的なコワークダイナミクスをキャプチャするために、ステートフルユーザシミュレータは対話を通じてエージェントのアクションに応答し、共有ワークスペースに直接編集する。 我々は、14のアプリケーションシナリオにまたがる64.9K環境を合成し、それらを教師付き微調整、強化学習、オンライン蒸留による9B、27B、35B-A3B Qwenモデルに利用した。 6つのエージェントベンチマークで評価されたこれらのモデルは、対応するベースチェックポイントをそれぞれ8.7と6.4と4.1で上回っている。 Ours-27Bは評価されたモデルの中で総合的に第2位であり、PawBenchとClawEvalで最高スコアを達成している。

関連論文リスト

• Recursive Environment Scaling for General Long-Horizon Agents [18.355616417014097]
  環境スケーリングは、コアタスクの目標を固定しながらエージェント-ベンチマークの困難を増大させる。 提案者は、情報アクセス、リソース関係、実行依存性を変更する。 3つのベンチマークによる294の初期タスクの実験では、Claw-Eval-Liveの57.14--77.14ポイントが減少し、6つの評価モデル全体のタスク成功率が低下した。
  論文  参考訳（メタデータ） (2026-10-12T08:39:40Z)
• Scaling Verifiable Environments for Long-horizon Work Agents [56.22497654434293]
  検証可能なワークエージェント環境を構築するためのスケーラブルな合成フレームワークであるWorkForgeを紹介する。 WorkForgeはまず、各ワークフローに必要なリソース、決定、成果物を特定する。 その後、関連する現実世界のファイルを取得し、それらをワークスペースに整理する。 WorkForgeはワークスペースを調べて、そのコンテンツに関する具体的な、チェック可能な事実を抽出する。
  論文  参考訳（メタデータ） (2026-10-04T03:36:14Z)
• WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents [83.57238211078025]
  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。
  論文  参考訳（メタデータ） (2026-09-29T07:14:53Z)
• CompoWorld: Compositional Environment Scaling for General Agents [20.127252686569857]
  コンポジション環境スケーリング(textbfCompoWorld)を導入し、再利用可能なサービスのライブラリを有限に構成することでタスク空間を拡大する。 ランダムウォーク手順は、依存グラフを介してサービスを接続し、サービス間で情報を流すために必要なタスクの生成と検証を可能にする。 10,130のツールを公開する448のサービスを構築し、Qwen3.6-35B-A3Bのトレーニングに3K SFTトラジェクトリと1K RLタスクを使用する。
  論文  参考訳（メタデータ） (2026-09-27T15:25:01Z)
• PersonaForge: Realistic Multi-Turn User Simulation for Agentic Systems [53.65117408512214]
  我々は,現実的なマルチターンユーザ-エージェントインタラクションを合成するユーザシミュレーションフレームワークであるtextbfPersonaForgeを紹介した。 PersonaForgeを使って、6.3Kレコードのトレーニングデータセットと、手動で注釈付き138タスクベンチマークである textbfPersonaForge-Benchを構築します。 実験の結果、PersonaForgeのトレーニングでは、合成スコアが+4.1%向上し、4次元すべてで利得が得られた。
  論文  参考訳（メタデータ） (2026-08-28T14:33:19Z)
• 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)

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。