Verso un'Intelligenza Agente Generale attraverso la Scalabilità dell'Ambiente

Towards General Agentic Intelligence via Environment Scaling

September 16, 2025

Autori: 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

Abstract

L'intelligenza agentica avanzata è un prerequisito per il dispiegamento di Modelli Linguistici di Grande Scala in applicazioni pratiche del mondo reale. Le API del mondo reale, diverse e variegate, richiedono un'intelligenza di chiamata di funzioni precisa e robusta, che necessita che gli agenti sviluppino queste capacità attraverso l'interazione in ambienti vari. L'ampiezza della competenza nella chiamata di funzioni è strettamente legata alla diversità degli ambienti in cui gli agenti vengono addestrati. In questo lavoro, ampliamo gli ambienti come un passo verso il progresso dell'intelligenza agentica generale. Ciò dà origine a due sfide centrali: (i) come scalare gli ambienti in modo principiato, e (ii) come addestrare efficacemente le capacità agentiche dalle esperienze derivate attraverso interazioni con questi ambienti. Per affrontare queste sfide, progettiamo un framework scalabile che costruisce automaticamente ambienti eterogenei completamente simulati, ampliando sistematicamente lo spazio degli scenari di chiamata di funzioni. Adattiamo inoltre una strategia di fine-tuning degli agenti in due fasi: prima dotando gli agenti di capacità agentiche fondamentali, poi specializzandoli per contesti specifici di dominio. Esperimenti estesi su benchmark agentici, tau-bench, tau2-Bench e ACEBench, dimostrano che il nostro modello addestrato, AgentScaler, migliora significativamente la capacità di chiamata di funzioni dei modelli.

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.