Hacia la Inteligencia Agéntica General mediante la Escalabilidad del Entorno
Towards General Agentic Intelligence via Environment Scaling
September 16, 2025
Autores: Runnan Fang, Shihao Cai, Baixuan Li, Jialong Wu, Guangyu Li, Wenbiao Yin, Xinyu Wang, Xiaobin Wang, Liangcai Su, Zhen Zhang, Shibin Wu, Zhengwei Tao, Yong Jiang, Pengjun Xie, Fei Huang, Jingren Zhou
cs.AI
Resumen
La inteligencia agentica avanzada es un requisito previo para implementar modelos de lenguaje de gran escala en aplicaciones prácticas del mundo real. Las diversas API del mundo real exigen una inteligencia de llamada a funciones precisa y robusta, lo que requiere que los agentes desarrollen estas capacidades a través de la interacción en entornos variados. La amplitud de la competencia en llamadas a funciones está estrechamente ligada a la diversidad de entornos en los que se entrenan los agentes. En este trabajo, escalamos los entornos como un paso hacia el avance de la inteligencia agentica general. Esto da lugar a dos desafíos centrales: (i) cómo escalar los entornos de manera fundamentada, y (ii) cómo entrenar eficazmente las capacidades agenticas a partir de las experiencias derivadas de las interacciones con estos entornos. Para abordarlos, diseñamos un marco escalable que construye automáticamente entornos heterogéneos completamente simulados, ampliando sistemáticamente el espacio de escenarios de llamadas a funciones. Además, adaptamos una estrategia de ajuste fino de agentes en dos fases: primero dotando a los agentes de capacidades agenticas fundamentales, y luego especializándolos para contextos específicos de dominio. Experimentos extensos en puntos de referencia agenticos, tau-bench, tau2-Bench y ACEBench, demuestran que nuestro modelo entrenado, AgentScaler, mejora significativamente la capacidad de llamada a funciones de los modelos.
English
Advanced agentic intelligence is a prerequisite for deploying Large Language
Models in practical, real-world applications. Diverse real-world APIs demand
precise, robust function-calling intelligence, which needs agents to develop
these capabilities through interaction in varied environments. The breadth of
function-calling competence is closely tied to the diversity of environments in
which agents are trained. In this work, we scale up environments as a step
towards advancing general agentic intelligence. This gives rise to two central
challenges: (i) how to scale environments in a principled manner, and (ii) how
to effectively train agentic capabilities from experiences derived through
interactions with these environments. To address these, we design a scalable
framework that automatically constructs heterogeneous environments that are
fully simulated, systematically broadening the space of function-calling
scenarios. We further adapt a two-phase agent fine-tuning strategy: first
endowing agents with fundamental agentic capabilities, then specializing them
for domain-specific contexts. Extensive experiments on agentic benchmarks,
tau-bench, tau2-Bench, and ACEBench, demonstrate that our trained model,
AgentScaler, significantly enhances the function-calling capability of models.