Synthetische Computer im großen Maßstab für die Simulation langfristiger Produktivität
Synthetic Computers at Scale for Long-Horizon Productivity Simulation
April 30, 2026
Autoren: Tao Ge, Baolin Peng, Hao Cheng, Jianfeng Gao
cs.AI
Zusammenfassung
Realistische produktive Arbeit mit langem Zeithorizont ist stark von benutzerspezifischen Computerumgebungen abhängig, in denen ein Großteil des Arbeitskontexts durch Verzeichnisstrukturen und inhaltsreiche Artefakte gespeichert und organisiert wird. Um die synthetische Datenerstellung für solche Produktivitätsszenarien zu skalieren, führen wir Synthetic Computers at Scale ein – eine skalierbare Methode zur Erstellung solcher Umgebungen mit realistischen Ordnerhierarchien und inhaltsreichen Artefakten (z.B. Dokumenten, Tabellenkalkulationen und Präsentationen). Aufbauend auf jedem synthetischen Computer führen wir Langzeitsimulationen durch: Ein Agent erstellt produktive Ziele, die spezifisch für den Benutzer des Computers sind und mehrere professionelle Arbeitsergebnisse sowie etwa einen Monat menschlicher Arbeit erfordern; ein anderer Agent agiert dann als dieser Benutzer und arbeitet kontinuierlich am Computer – beispielsweise durch Navigation im Dateisystem zur Kontextverankerung, Koordination mit simulierten Mitarbeitern und Erstellung professioneller Artefakte – bis diese Ziele abgeschlossen sind.
In vorläufigen Experimenten erstellen wir 1.000 synthetische Computer und führen Langzeitsimulationen auf ihnen durch; jede Simulation erfordert über 8 Stunden Agentenlaufzeit und umfasst durchschnittlich mehr als 2.000 Interaktionen. Diese Simulationen erzeugen umfangreiche Erfahrungslernsignale, deren Wirksamkeit durch signifikante Verbesserungen der Agentenleistung sowohl in domäneninternen als auch domänenexternen Produktivitätsbewertungen validiert wird. Da Personas im Milliardenmaßstab reichlich vorhanden sind, kann diese Methodik prinzipiell mit ausreichender Rechenleistung auf Millionen oder sogar Milliarden synthetischer Benutzerwelten skaliert werden, was eine breitere Abdeckung verschiedener Berufe, Rollen, Kontexte, Umgebungen und Produktivitätsanforderungen ermöglicht. Wir argumentieren, dass skalierbare synthetische Computererstellung zusammen mit umfangreichen Simulationen vielversprechend als fundamentale Grundlage für Agentenselbstverbesserung und agentenbasierte Verstärkungslernverfahren in Produktivitätsszenarien mit langem Zeithorizont ist.
English
Realistic long-horizon productivity work is strongly conditioned on user-specific computer environments, where much of the work context is stored and organized through directory structures and content-rich artifacts. To scale synthetic data creation for such productivity scenarios, we introduce Synthetic Computers at Scale, a scalable methodology for creating such environments with realistic folder hierarchies and content-rich artifacts (e.g., documents, spreadsheets, and presentations). Conditioned on each synthetic computer, we run long-horizon simulations: one agent creates productivity objectives that are specific to the computer's user and require multiple professional deliverables and about a month of human work; another agent then acts as that user and keeps working across the computer -- for example, navigating the filesystem for grounding, coordinating with simulated collaborators, and producing professional artifacts -- until these objectives are completed.
In preliminary experiments, we create 1,000 synthetic computers and run long-horizon simulations on them; each run requires over 8 hours of agent runtime and spans more than 2,000 turns on average. These simulations produce rich experiential learning signals, whose effectiveness is validated by significant improvements in agent performance on both in-domain and out-of-domain productivity evaluations. Given that personas are abundant at billion scale, this methodology can in principle scale to millions or even billions of synthetic user worlds with sufficient compute, enabling broader coverage of diverse professions, roles, contexts, environments, and productivity needs. We argue that scalable synthetic computer creation, together with at-scale simulations, is highly promising as a foundational substrate for agent self-improvement and agentic reinforcement learning in long-horizon productivity scenarios.