論文の概要: CoworkEnv: Synthesizing Training Environments for Long-Horizon Cowork Agents

• arxiv url: http://arxiv.org/abs/2610.24960v1
• Date: Sun, 18 Oct 2026 02:20:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:08:04.267225
• Title: CoworkEnv: Synthesizing Training Environments for Long-Horizon Cowork Agents
• Title（参考訳）: CoworkEnv: 長距離作業エージェントのための学習環境の合成
• Abstract要約: AIの同僚は、ツールをコーディネートし、ターンを横断して通信し、ワークフローの制約を尊重しながらワークスペースの状態の変更に行動する必要があります。 我々は、AI同僚のための実行可能トレーニング環境のための能力誘導型フレームワーク、CoworkEnvを紹介する。
• 参考スコア（独自算出の注目度）: 46.95679056860343
• License:
• Abstract: AI coworkers must coordinate tools, communicate across turns, and act on changing workspace state while respecting workflow constraints. Constructing training experience for these capabilities requires coherent requests, service records, tool interfaces, and grading checks. We present CoworkEnv, a capability-guided framework for synthesizing executable training environments for AI coworkers. Workflow requirements guide task construction, and programmatic validation with feedback repair checks generated specifications and grading behavior. Teacher executions yield curated demonstrations for supervised fine-tuning (SFT), while student interactions provide rollouts and rewards for reinforcement learning (RL). Using these resources, we train compact PocketWorker models. For Qwen3-VL-8B-Instruct, SFT raises the mean score from 46.6 to 64.1 on Claw-Eval, including a 31.9-point gain on Multi-turn tasks. An SFT-only extension to ClawMark demonstrates applicability across coworker benchmarks. We further compare RL training dynamics across configurations that vary reward processing and credit assignment. Improving training rewards provide preliminary evidence that the constructed environments support policy optimization.
• Abstract（参考訳）: AIの同僚は、ツールをコーディネートし、ターンを横断して通信し、ワークフローの制約を尊重しながらワークスペースの状態の変更に行動する必要があります。 これらの機能のためにトレーニングエクスペリエンスを構築するには、一貫性のあるリクエスト、サービスレコード、ツールインターフェース、グレーディングチェックが必要です。 我々は、AI同僚のための実行可能なトレーニング環境を合成する能力誘導フレームワークであるCoworkEnvを紹介する。 ワークフロー要件はタスク構築をガイドし、フィードバックによるプログラムによるバリデーションは、生成された仕様とグレーディングの動作をチェックする。 教師の処刑は、教師付き微調整(SFT)のためのキュレートされたデモンストレーションとなり、学生の相互作用は強化学習(RL)のためのロールアウトと報酬を提供する。 これらのリソースを使用して、コンパクトなPocketWorkerモデルをトレーニングします。 Qwen3-VL-8B-Instructでは、SFTはClaw-Evalで平均スコアを46.6から64.1に引き上げ、マルチターンタスクでは31.9ポイントを獲得した。 ClawMarkへのSFTのみの拡張は、同僚ベンチマークにまたがる適用性を示している。 さらに、報酬処理やクレジット割り当ての異なる構成でRLトレーニングのダイナミクスを比較する。 トレーニング報酬の改善は、構築された環境が政策最適化をサポートするという予備的な証拠を提供する。

関連論文リスト

• WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment Evolution [101.12175332979554]
  環境進化を通じて長期のコワーキングエージェントを訓練するためのフレームワークであるWorkRoverを紹介する。 Factorial Compatibility Replay (FCR)は、ロールアウトフィードバックを使用してコンポーネントのリビジョンの組み合わせを評価する。 Verifier-to-Turn Credit Assignment (VTCA)は、決定論的ワークスペース-プログレスチェックからの信号でトラジェクトリレベルのGRPOのアドバンテージを増大させる。
  論文  参考訳（メタデータ） (2026-10-13T09:52:02Z)
• Cowork-Gym: Synthesizing Interactive Work Environments at Scale [79.11567848319275]
  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。
  論文  参考訳（メタデータ） (2026-10-13T03:56:58Z)
• ProgAgent: Learning Tool Orchestration through Programmatic Training [29.641803167053638]
  Programmatic Tool Calling (PTC) は実行可能なコードを通じてツールを呼び出し、中間結果をコンテキストに付加するのではなく、実行時変数に格納する。 ProgAgentは、長距離タスクを合成するためのパイプライン、軽量PSCランタイム、および2段階のトレーニングレシピからなる完全なPTCトレーニングスタックである。 ProgAgentは、4つのベンチマークで比較された同等サイズのベースラインよりも高いパスレートを得る。
  論文  参考訳（メタデータ） (2026-10-10T09:57:26Z)
• BEHAVE: Functional Behavior Modeling Enables Self-Improving Agents for Hardware Design and Verification [13.41894817075908]
  本稿では,マルチターンジョイントハードウェア設計と機能的動作モデリングによる検証のためのエージェントフレームワークであるBEHAVEを紹介する。 エージェントは、設計の検証基準として、レジスタ転送レベル(RTL)設計と行動モデルを反復的に開発する。 トレーニング中、同じ評価器は、参照RTLなしで仕様-振る舞いペアから検証可能な強化学習報酬を提供する。
  論文  参考訳（メタデータ） (2026-09-28T09:57:29Z)
• FrogNano: Training a 4B Coding Agent via Online Task Synthesis [61.25325155871018]
  FrogNanoは、ソフトウェアエンジニアリング(SWE)タスクに効率的かつ効果的に取り組むように設計された4Bコーディングエージェントである。 合成作業を伴う約1,500のSWE環境において、RLを介してのみ訓練される。
  論文  参考訳（メタデータ） (2026-09-07T19:39:38Z)
• Cross-Benchmark Generalization in Long-Horizon Agents [1.0742728354283815]
  我々は,27のカテゴリにわたる363の長距離モデルコンテキストプロトコル(MCP)タスク上で,オープンウェイト・ミックス・オブ・エキスパート・モデルを構築した。 トレーニングには外部ベンチマークタスクやグレーダが入らず、報酬、ハイパーパラメータのトレーニング、トレーニングされたチェックポイントの選択、停止を外部スコアが知らせなかった。 両方のソフトウェアベンチマークは、ソフトウェアエンジニアリングタスクを含まないトレーニングコレクションにもかかわらず改善されている。
  論文  参考訳（メタデータ） (2026-07-31T18:05:36Z)
• SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
  SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。 さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。 SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
  論文  参考訳（メタデータ） (2026-03-17T05:12:48Z)

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。