Синтетические вычислительные системы масштабирования для моделирования долгосрочной производительности
Synthetic Computers at Scale for Long-Horizon Productivity Simulation
April 30, 2026
Авторы: Tao Ge, Baolin Peng, Hao Cheng, Jianfeng Gao
cs.AI
Аннотация
Реалистичная продуктивная деятельность в долгосрочной перспективе сильно зависит от специфичных для пользователя компьютерных сред, где большая часть рабочего контекста хранится и организуется через структуры каталогов и контентно-насыщенные артефакты. Для масштабирования создания синтетических данных для таких сценариев мы представляем Synthetic Computers at Scale — масштабируемую методологию создания подобных сред с реалистичными иерархиями папок и контентно-насыщенными артефактами (например, документами, электронными таблицами и презентациями). На основе каждого синтетического компьютера мы запускаем долгосрочные симуляции: один агент создает продуктивные цели, специфичные для пользователя компьютера, которые требуют нескольких профессиональных результатов и около месяца человеческой работы; другой агент затем действует как этот пользователь и продолжает работать за компьютером — например, навигация по файловой системе для контекстуализации, координация с имитированными collaborators и создание профессиональных артефактов — до тех пор, пока эти цели не будут выполнены.
В предварительных экспериментах мы создали 1000 синтетических компьютеров и провели на них долгосрочные симуляции; каждый запуск требует более 8 часов времени работы агента и в среднем охватывает более 2000 шагов. Эти симуляции генерируют богатые сигналы экспериментального обучения, эффективность которых подтверждается значительным улучшением производительности агентов как на внутридоменных, так и на внедоменных оценках продуктивности. Учитывая, что персонажи существуют в масштабах миллиардов, данная методология в принципе может масштабироваться до миллионов или даже миллиардов синтетических пользовательских миров при достаточных вычислительных ресурсах, обеспечивая более широкое покрытие разнообразных профессий, ролей, контекстов, сред и продуктивных потребностей. Мы утверждаем, что масштабируемое создание синтетических компьютеров вместе с масштабными симуляциями является чрезвычайно перспективной основой для самосовершенствования агентов и агентного обучения с подкреплением в сценариях долгосрочной продуктивной деятельности.
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.