К достижению общего агентного интеллекта через масштабирование среды

Towards General Agentic Intelligence via Environment Scaling

September 16, 2025

Авторы: 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

Аннотация

Продвинутый агентный интеллект является необходимым условием для внедрения крупных языковых моделей в практические, реальные приложения. Разнообразные API реального мира требуют точного и надежного интеллекта для вызова функций, что требует от агентов развития этих способностей через взаимодействие в различных средах. Широта компетенции в вызове функций тесно связана с разнообразием сред, в которых обучаются агенты. В данной работе мы масштабируем среды как шаг к развитию общего агентного интеллекта. Это порождает две ключевые задачи: (i) как масштабировать среды систематически и (ii) как эффективно обучать агентные способности на основе опыта, полученного через взаимодействие с этими средами. Для решения этих задач мы разрабатываем масштабируемую структуру, которая автоматически создает гетерогенные, полностью симулированные среды, систематически расширяя пространство сценариев вызова функций. Мы также адаптируем двухэтапную стратегию тонкой настройки агентов: сначала наделяя агентов базовыми агентными способностями, а затем специализируя их для конкретных предметных областей. Экстенсивные эксперименты на агентных бенчмарках, tau-bench, tau2-Bench и ACEBench, демонстрируют, что наша обученная модель, AgentScaler, значительно улучшает способность моделей к вызову функций.

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.