Vers une intelligence agentique générale par la mise à l'échelle de l'environnement
Towards General Agentic Intelligence via Environment Scaling
September 16, 2025
papers.authors: 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
papers.abstract
Une intelligence agentique avancée est une condition préalable au déploiement des modèles de langage de grande envergure dans des applications pratiques et réelles. Les API variées du monde réel exigent une intelligence robuste et précise dans l'appel de fonctions, ce qui nécessite que les agents développent ces capacités par l'interaction dans des environnements diversifiés. L'étendue des compétences en appel de fonctions est étroitement liée à la diversité des environnements dans lesquels les agents sont entraînés. Dans ce travail, nous augmentons la taille des environnements comme une étape vers l'avancement de l'intelligence agentique générale. Cela soulève deux défis majeurs : (i) comment augmenter les environnements de manière méthodique, et (ii) comment entraîner efficacement les capacités agentiques à partir des expériences dérivées des interactions avec ces environnements. Pour y répondre, nous concevons un cadre évolutif qui construit automatiquement des environnements hétérogènes entièrement simulés, élargissant systématiquement l'espace des scénarios d'appel de fonctions. Nous adaptons en outre une stratégie de fine-tuning en deux phases pour les agents : d'abord en leur dotant de capacités agentiques fondamentales, puis en les spécialisant pour des contextes spécifiques à un domaine. Des expériences approfondies sur les benchmarks agentiques, tau-bench, tau2-Bench et ACEBench, démontrent que notre modèle entraîné, AgentScaler, améliore significativement la capacité d'appel de fonctions des modèles.
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.