Rumo à Inteligência Agente Geral por meio da Escalonamento de Ambientes

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

Resumo

A inteligência agentica avançada é um pré-requisito para a implantação de Modelos de Linguagem de Grande Escala em aplicações práticas do mundo real. APIs diversas do mundo real exigem uma inteligência de chamada de funções precisa e robusta, o que requer que os agentes desenvolvam essas capacidades por meio da interação em ambientes variados. A amplitude da competência em chamada de funções está intimamente ligada à diversidade de ambientes nos quais os agentes são treinados. Neste trabalho, escalamos ambientes como um passo em direção ao avanço da inteligência agentica geral. Isso dá origem a dois desafios centrais: (i) como escalar ambientes de maneira fundamentada, e (ii) como treinar efetivamente as capacidades agenticas a partir de experiências derivadas das interações com esses ambientes. Para abordar esses desafios, projetamos uma estrutura escalável que constrói automaticamente ambientes heterogêneos totalmente simulados, ampliando sistematicamente o espaço de cenários de chamada de funções. Além disso, adaptamos uma estratégia de ajuste fino de agentes em duas fases: primeiro, dotando os agentes de capacidades agenticas fundamentais e, em seguida, especializando-os para contextos específicos de domínio. Experimentos extensivos em benchmarks agenticos, tau-bench, tau2-Bench e ACEBench, demonstram que nosso modelo treinado, AgentScaler, melhora significativamente a capacidade de chamada de funções dos 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.