Synthetische Computers op Schaal voor Productiviteitssimulaties op Lange Termijn
Synthetic Computers at Scale for Long-Horizon Productivity Simulation
April 30, 2026
Auteurs: Tao Ge, Baolin Peng, Hao Cheng, Jianfeng Gao
cs.AI
Samenvatting
Realistisch productiviteitswerk op lange termijn is sterk afhankelijk van gebruikersspecifieke computeromgevingen, waarin het grootste deel van de werkcontext wordt opgeslagen en georganiseerd via directorystructuren en inhoudsrijke artefacten. Om de creatie van synthetische data voor dergelijke productiviteitsscenario's op te schalen, introduceren wij Synthetic Computers at Scale, een schaalbare methodologie voor het creëren van dergelijke omgevingen met realistische mappenhiërarchieën en inhoudsrijke artefacten (zoals documenten, spreadsheets en presentaties). Gebaseerd op elke synthetische computer voeren wij simulaties op lange termijn uit: één agent creëert productiviteitsdoelstellingen die specifiek zijn voor de gebruiker van de computer en die meerdere professionele resultaten vereisen en ongeveer een maand menselijk werk beslaan; een andere agent gedraagt zich vervolgens als die gebruiker en blijft werken op de computer – bijvoorbeeld door het bestandssysteem te navigeren voor grounding, te coördineren met gesimuleerde collaborateurs en professionele artefacten te produceren – totdat deze doelstellingen zijn voltooid.
In eerste experimenten creëren wij 1.000 synthetische computers en voeren hierop simulaties op lange termijn uit; elke run vereist meer dan 8 uur agent-runtime en beslaat gemiddeld meer dan 2.000 beurten. Deze simulaties produceren rijke ervaringsleersignalen, waarvan de effectiviteit wordt gevalideerd door significante verbeteringen in agentprestaties bij zowel in-domein als out-of-domain productiviteitsevaluaties. Aangezien persona's op miljardenschaal ruim voorhanden zijn, kan deze methodologie in principe worden opgeschaald naar miljoenen of zelfs miljarden synthetische gebruikerswerelden met voldoende rekenkracht, waardoor een bredere dekking van diverse beroepen, rollen, contexten, omgevingen en productiviteitsbehoeften mogelijk wordt. Wij stellen dat schaalbare synthetische computercreatie, samen grootschalige simulaties, zeer veelbelovend is als een fundamenteel substraat voor agent-self-improvement en agentic reinforcement learning in productiviteitsscenario's op lange termijn.
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.