論文の概要: Axion 1.0: Open Agent Foundation Models, Simplified

• arxiv url: http://arxiv.org/abs/2611.03233v2
• Date: Tue, 03 Nov 2026 10:54:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:38:13.826872
• Title: Axion 1.0: Open Agent Foundation Models, Simplified
• Title（参考訳）: Axion 1.0: Open Agent Foundation Modelsがシンプルに
• Abstract要約: Axion 1.0は、強力で幅広いエージェント機能と驚くほど単純なトレーニングレシピを組み合わせた、完全にオープンなエージェント基盤モデルである。 Axion 1.0は3段階のみ訓練され、2つの軽量教師付き微調整段階と強化学習が続く。 Axion 1.0は幅広いエージェントベンチマークで高いパフォーマンスを実現しており、いくつかの商用モデルと競合している。
• 参考スコア（独自算出の注目度）: 15.727798113783734
• License:
• Abstract: We introduce Axion 1.0, a fully open agent foundation model that combines strong and broad agentic capabilities with a remarkably simple training recipe. Axion 1.0 is trained in only three stages: two lightweight supervised fine-tuning stages followed by reinforcement learning, without dedicated mid-training, direct preference optimization (DPO), or on-policy distillation (OPD). The first SFT stage develops strong self-contained reasoning through model-aware data construction, where we synthesize challenging problems and adversarially strengthen them based on the base model's own successful solution strategies. The second stage extends these capabilities to tool-dependent reasoning through a scalable pipeline for constructing diverse and automatically verifiable tasks grounded in real-world data sources and deterministic computation. Finally, reinforcement learning further strengthens long-horizon reasoning and interaction with external tools and environments. Despite this compact training recipe, Axion 1.0 achieves strong performance across a broad suite of agentic benchmarks and is competitive with leading commercial models on several of them. Equally importantly, Axion 1.0 is open beyond model weights: we release the complete recipe, including data construction, generation, filtering, verification, prompts, and training code, enabling the entire development process to be reproduced and extended. Axion 1.0 demonstrates that strong agent foundation models can be both open and simple, offering a practical and reproducible path toward advancing open agentic intelligence.
• Abstract（参考訳）: Axion 1.0は、強力で広いエージェント能力と驚くほどシンプルなトレーニングレシピを組み合わせた、完全にオープンなエージェント基盤モデルです。 Axion 1.0は2つの軽量教師付き微調整段階と強化学習の3段階に留まり、専用の中級訓練、直接優先最適化(DPO)、またはオンライン蒸留(OPD)の3段階で訓練される。 最初のSFT段階は、モデル認識データ構築を通じて強力な自己完結型推論を開発し、そこでは、挑戦的な問題を合成し、ベースモデルが成功したソリューション戦略に基づいてそれらを対逆的に強化する。 第2段階では、これらの機能を、スケーラブルなパイプラインを通じてツール依存の推論にまで拡張し、現実世界のデータソースと決定論的計算に基づいて、多様で自動検証可能なタスクを構築する。 最後に、強化学習は、長期的な推論と外部ツールや環境との相互作用をさらに強化する。 このコンパクトなトレーニングレシピにもかかわらず、Axion 1.0はエージェントベンチマークの幅広いスイートで強力なパフォーマンスを達成し、いくつかの商用モデルと競合する。 データの構築、生成、フィルタリング、検証、プロンプト、トレーニングコードを含む完全なレシピをリリースし、開発プロセス全体を再現および拡張できるようにします。 Axion 1.0は、強力なエージェント基盤モデルがオープンかつシンプルであることを示し、オープンエージェントインテリジェンスを前進させる実践的で再現可能なパスを提供する。

関連論文リスト

• STAR: Similarity-guided Teacher-Assisted Refinement for Super-Tiny Function Calling Models [0.7829352305480285]
  関数呼び出しにおける大規模言語モデル(LLM)は、高度なAIエージェントを作成する上で重要であるが、その大規模化は広く採用を妨げている。 STAR:Simisity-Guided Teacher-Assisted Refinementは,LLMの能力をスーパーティニーモデルに効果的に転送する,新しい包括的フレームワークである。
  論文  参考訳（メタデータ） (2026-02-03T02:41:11Z)
• 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)
• Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
  ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。 Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
  論文  参考訳（メタデータ） (2025-12-31T04:25:11Z)
• Nex-N1: Agentic Models Trained via a Unified Ecosystem for Large-Scale Environment Construction [117.6380005194061]
  本稿では,対話型環境の多様性と複雑さを体系的にスケールする手法を提案する。 本手法は,3次元に対処することで,このスケーリングを実現する。 Nex-N1は、インフラストラクチャによって確立された多様な複雑なインタラクティブ環境に基づいてトレーニングします。
  論文  参考訳（メタデータ） (2025-12-04T16:57:02Z)
• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• InternBootcamp Technical Report: Boosting LLM Reasoning with Verifiable Task Scaling [71.37579508777843]
  大規模言語モデル(LLM)は、複雑な推論機能を実現することによって、人工知能に革命をもたらした。 このギャップに対処するため、1000以上のドメイン分散タスク環境からなるオープンソースのフレームワークであるInternBootcampを紹介します。
  論文  参考訳（メタデータ） (2025-08-12T05:00:00Z)
• xLAM: A Family of Large Action Models to Empower AI Agent Systems [111.5719694445345]
  AIエージェントタスク用に設計された大規模なアクションモデルであるxLAMをリリースする。 xLAMは、複数のエージェント能力ベンチマークで例外的なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-05T03:22:22Z)

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。