論文の概要: Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards

• arxiv url: http://arxiv.org/abs/2610.18868v1
• Date: Tue, 13 Oct 2026 17:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.719548
• Title: Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
• Title（参考訳）: Tev:Dense Progress Rewardsによる長距離エージェント環境のスケーリング
• Abstract要約: Tev-Gymは、検証可能で高密度でプログレッシブな報酬を持つ最初のロングホライゾンエージェントトレーニングデータセットである。 このレシピでトレーニングすることでTev-27Bが得られ、エージェントのLast Examコンピューティングと数学科学の領域でかなりの利益を得ている。
• 参考スコア（独自算出の注目度）: 112.77335508486192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon agents have drawn growing attention for their ability to work autonomously -- from hours to days -- on economically valuable tasks, a capability essential to automated discovery and recursive self-improvement (RSI). Yet open-source models still struggle on long-horizon tasks, largely for lack of both training data and a working recipe, and scaling both is hard: long, complex tasks are difficult to curate and verify, and their rewards are sparse. We address both. First, we introduce Tev-Gym, the first long-horizon agent training dataset with verifiable, dense, progressive rewards -- 1,170 verified task environments across 7 domains. It is built on a latent-world-first approach that first constructs a latent world: a complete and correct hidden specification of the task domain, workflow, and expected state after each step. Each task is then progressively rendered from this specification into an agent-facing environment, enabling controllable complexity and a natural progress metric. Second, we turn this metric into a training recipe: via progress-potential reward shaping (PPRS), we convert progress into a dense per-step reward that improves training efficiency and makes otherwise-intractable tasks trainable. Training with this recipe yields Tev-27B, which achieves substantial gains on the Agents' Last Exam computing and math sciences domains (ALE-CM), matching GPT-6 Astra and Claude Opus 5 at Pass@5. Despite training only on ALE-related data, it generalizes to the Terminal-Bench (TB) 3.0 and 4.0 subsets, surpassing GLM 5.2 and Gemini 3.7 Flash, and reaches Claude Opus 4.8-level performance on middle-horizon tasks such as TB 2.1.
• Abstract（参考訳）: ロングホライゾン・エージェントは、経済的に価値のあるタスク、自動発見と再帰的自己改善(RSI)に不可欠な能力について、数時間から数日にわたって自律的に働く能力に注目が集まっている。 しかし、オープンソースのモデルは、主にトレーニングデータと作業レシピの欠如のために、長期的なタスクに苦戦している。 私たちは両方に対処します。 まず、Tev-Gymを紹介します。Tev-Gymは、検証可能な、密度の高いプログレッシブな報酬を持つ、最初のロングホライゾンエージェントトレーニングデータセットです。 それは、タスクドメイン、ワークフロー、各ステップ後の期待状態の完全かつ正しい隠れた仕様である、潜伏世界を構築する、潜伏世界ファーストのアプローチに基づいて構築されている。 それぞれのタスクは、この仕様からエージェント対応環境に段階的にレンダリングされ、制御可能な複雑さと自然な進捗メトリックが実現されます。 第二に、この指標をトレーニングのレシピに変換する: 進歩ポテンシャル報酬形成(PPRS)を通して、進捗を高密度なステップごとの報酬に変換することにより、トレーニング効率を向上し、難解なタスクをトレーニング可能にする。 このレシピによるトレーニングは、エージェントのLast Examコンピューティングと数学科学領域(ALE-CM)でかなりの利益を得るTev-27Bと、Pass@5でGPT-6 AstraとClaude Opus 5をマッチングする。 ALE関連のデータのみをトレーニングしたものの、ターミナル・ベンチ(TB)3.0と4.0サブセットに一般化され、GLM 5.2とジェミニ3.7 Flashを上回り、TB 2.1のような中間水平タスクにおけるClaude Opus 4.8レベルのパフォーマンスに達する。

関連論文リスト

• SkillHorizon: Constructing Long-Horizon Agent Tasks through Skill Composition [52.51270668013944]
  ロングホライゾンエージェントは、後のアクティビティが以前の出力と共有状態の変更に依存するように完了しなければならない。 SkillHorizonは、7つのビジネス環境でのスキル構成を通じて長期タスクを構築するベンチマークである。 我々は,64Kから1Mトークンの参照インタラクションワークロードを用いた1,050タスクの5つの言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-10-10T14:36:39Z)
• Scaling Agentic Data for Long-Horizon Terminal Intelligence [39.810216055463606]
  端末エージェントのための完全自動データ合成エンジンである TerminalHorizon を紹介する。 独立した実行を使用して、建設中に省略された重要な作業を特定し、その結果のエビデンスを使って環境再建を導く。 我々は,コーディングエージェントタスク,実運用環境におけるエージェントタスク,一般的な推論にまたがる12のベンチマークにおいて,大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-10-09T07:55:55Z)
• T1: Terminal Agent Reinforcement Learning for Long-Horizon Tasks [27.750923745153145]
  T1は、強化学習で訓練された122BのMixture-of-Expertsモデルである。 実際のシェルをクラウドサンドボックスで運用し、タスク毎に最大300以上のツールコールを回し、各タスク独自の検証を実行することで報酬を得る。 Terminal-Bench 2.1では、最初のベースモデルを43.8%からT1に引き上げ、64.0%が解決した。
  論文  参考訳（メタデータ） (2026-09-10T03:42:01Z)
• Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent [98.33217711280383]
  本稿では,エージェント水平線をスケーリングすることで,パラメータレベルの性能を1兆倍に向上する35B混在エージェントモデルであるAgens-A1を紹介する。 我々は、外部の知識、行動、観察、検証結果を接続する長期の知識-行動基盤を構築します。 Agents-A1は、ロングホライゾンエージェントベンチマークに対して強力で幅広いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-29T17:50:54Z)
• Terminal-World: Scaling Terminal-Agent Environments via Agent Skills [52.39713754337834]
  エージェントスキルを中心的な合成プリミティブとして利用する完全自動化パイプラインである Terminal-World を紹介する。 我々は,5,723のトレーニング環境を構築し,端末-ワールド-8B/14B/32Bを6つのベンチマークで評価した。 Terminal-World-32B は Terminal-Bench 2.0 で Nemotron-Terminal-32B を +4.5 Pass@1 (31.5) で上回り、43.8 Pass@3 に達する。
  論文  参考訳（メタデータ） (2026-05-20T08:14:51Z)
• OpenMobile: Building Open Mobile Agents with Task and Trajectory Synthesis [98.43366988856592]
  高品質なタスク命令とエージェントトラジェクトリを合成するオープンソースフレームワークであるOpenMobileについて述べる。 データに基づいてトレーニングされたエージェントは、3つの動的モバイルエージェントベンチマークで競合する結果を得る。
  論文  参考訳（メタデータ） (2026-04-16T14:53:08Z)
• EnterpriseBench Corecraft: Training Generalizable Agents on High-Fidelity RL Environments [0.10934862523101825]
  我々は,高忠実度強化学習環境におけるAIエージェントの訓練が,トレーニング分布を超えて一般化する能力を生み出すことを示す。 私たちは、Surge AIのエージェントRL環境スイートであるEnterpriseBenchの最初の環境であるCoreCraftを紹介します。
  論文  参考訳（メタデータ） (2026-02-18T04:35:46Z)
• Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation [65.3648667980258]
  視覚言語モデル(VLM)に基づくGUIエージェントは複雑なタスクの自動化を約束するが、強化学習(RL)の適用において大きな課題に直面している。 異種モジュールを高度に非結合的に協調するGUIエージェントのための非結合エージェントRLトレーニングフレームワークであるDARTを提案する。 OSWorldのベンチマークでは、DART-GUI-7Bは42.13%のタスク成功率、14.61%の絶対ゲイン、オープンソースSOTAよりも7.34%高い。
  論文  参考訳（メタデータ） (2025-09-28T13:19:20Z)
• SPA-RL: Reinforcing LLM Agents via Stepwise Progress Attribution [9.181156720071547]
  強化学習は、複雑な目標志向のタスクを扱うためのトレーニングエージェントの約束である。 フィードバック信号は通常、タスク全体が完了した後でのみ利用可能である。 我々は、最終報酬を段階的な貢献に分解するステップワイドプログレス属性を提案する。
  論文  参考訳（メタデータ） (2025-05-27T05:21:04Z)

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。