AgentFrontier: Espandere la frontiera delle capacità degli agenti LLM con la sintesi di dati guidata dalla ZPD

AgentFrontier: Expanding the Capability Frontier of LLM Agents with ZPD-Guided Data Synthesis

October 28, 2025

Autori: Xuanzhong Chen, Zile Qiao, Guoxin Chen, Liangcai Su, Zhen Zhang, Xinyu Wang, Pengjun Xie, Fei Huang, Jingren Zhou, Yong Jiang

cs.AI

Abstract

L'addestramento di agenti basati su grandi modelli linguistici su compiti situati alla frontiera delle loro capacità è fondamentale per sbloccare un ragionamento avanzato. Introduciamo un approccio di sintesi dei dati ispirato alla teoria educativa della Zona di Sviluppo Prossimale (ZPD), che definisce questa frontiera come compiti che un LLM non può risolvere da solo ma può padroneggiare con una guida. Per operazionalizzare questo concetto, presentiamo AgentFrontier Engine, una pipeline automatizzata che sintetizza dati multidisciplinari di alta qualità situati precisamente all'interno della ZPD del modello. Questo motore supporta sia il pre-training continuo con dati ad alta intensità di conoscenza, sia il post-training mirato su compiti di ragionamento complesso. Dall' stesso framework deriviamo lo ZPD Exam, un benchmark dinamico e automatizzato progettato per valutare le capacità degli agenti su questi compiti di frontiera. Addestriamo il modello AgentFrontier-30B-A3B sui nostri dati sintetizzati, che ottiene risultati allo stato dell'arte su benchmark impegnativi come Humanity's Last Exam, superando persino alcuni agenti proprietari leader. Il nostro lavoro dimostra che un approccio alla sintesi dei dati guidato dalla ZPD offre un percorso scalabile ed efficace per costruire agenti LLM più capaci.

English

Training large language model agents on tasks at the frontier of their capabilities is key to unlocking advanced reasoning. We introduce a data synthesis approach inspired by the educational theory of the Zone of Proximal Development (ZPD), which defines this frontier as tasks an LLM cannot solve alone but can master with guidance. To operationalize this, we present the AgentFrontier Engine, an automated pipeline that synthesizes high-quality, multidisciplinary data situated precisely within the LLM's ZPD. This engine supports both continued pre-training with knowledge-intensive data and targeted post-training on complex reasoning tasks. From the same framework, we derive the ZPD Exam, a dynamic and automated benchmark designed to evaluate agent capabilities on these frontier tasks. We train AgentFrontier-30B-A3B model on our synthesized data, which achieves state-of-the-art results on demanding benchmarks like Humanity's Last Exam, even surpassing some leading proprietary agents. Our work demonstrates that a ZPD-guided approach to data synthesis offers a scalable and effective path toward building more capable LLM agents.