مقاله‌ی arXiv:2610.17670 · نگه‌داشته برای بعد
Cowork-Gym: Synthesizing Interactive Work Environments at Scale
ساخت ۶۵ هزار محیط کاری تعاملی برای آموزش ایجنت‌هایی که کنار کاربر روی فایل‌ها و ابزارها کار می‌کنند
- تاریخ
- (۲۱ مهر ۱۴۰۵) 2026-10-13 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Anni Zou, Cheng Chen, Jiaji Deng, Weikang Zhou, Xinji Mai, Yue Wu, Jianing Lin, Lipeng Xie, Lixiong Qin, Qingyue Zhao, Que Shen, Shuchang Tao, Xuchen Pan, Yaliang Li, Yunpeng Zhai, Yushuo Chen, Zhihai Wang, Zhuo Zhang, Zhaoyang Liu, Bolin Ding, Jingren Zhou
- نهاد نویسنده‌ها
- Alibaba (AgentScope)
- برچسب لابراتوار
خلاصه‌ی فارسی
مسئله
ایجنت‌های همکار باید وابستگی بین ابزارها و فایل‌ها را مدیریت کنند و هم‌زمان با تغییر نیازهای کاربر و ویرایش‌هایی که او در فضای کاری مشترک انجام می‌دهد سازگار شوند. ساختن چنین محیط‌هایی در مقیاس بزرگ سخت است، چون هدف تسک، منابع اجرایی، رفتار کاربر و معیار موفقیت باید با هم سازگار بمانند.
روش
چارچوب Cowork-Gym محیط‌ها را در یک حلقه‌ی «بساز، اجرا کن، اصلاح کن» می‌سازد که از شواهد اجرا و بازخورد بازبینی برای تأیید و ترمیم محیط‌های تولیدشده استفاده می‌کند. یک شبیه‌ساز کاربر با حافظه‌ی وضعیت، هم با گفت‌وگو و هم با ویرایش مستقیم فضای کاری به کارهای ایجنت واکنش نشان می‌دهد. نویسنده‌ها ۶۴٫۹ هزار محیط در ۱۴ سناریوی کاربردی ساختند و با آن‌ها مدل‌های Qwen ۹ و ۲۷ و ۳۵ میلیاردی را با آموزش نظارت‌شده، یادگیری تقویتی و تقطیر روی سیاست پس‌آموزش دادند.
یافته‌ها
- به طور میانگین در شش بنچمارک ایجنتی، مدل‌ها به ترتیب ۸٫۷، ۶٫۴ و ۴٫۱ امتیاز از مدل پایه‌ی متناظرشان بهتر شدند.
- مدل ۲۷ میلیاردی در میان همه‌ی مدل‌های ارزیابی‌شده دوم شد و در PawBench و ClawEval بالاترین میانگین را گرفت، بالاتر از مدل‌هایی با بیش از ۱۰۰ میلیارد پارامتر.
محدودیت‌ها
نویسنده‌ها می‌گویند محیط‌ها تقریب ساختگی کار شخصی‌اند و ممکن است بعضی تسک‌ها، فرهنگ‌ها، زبان‌ها و حالت‌های شکست را نداشته باشند. مجموعه‌ی فعلی بیشتر روی مرورگر، فایل، داده و کارهای اداری تمرکز دارد.
چرا مهم است
ایجنت‌هایی که کنار کاربر کار می‌کنند باید با تغییر نظر او و ویرایش‌هایش کنار بیایند، چیزی که در بنچمارک‌های ثابت دیده نمی‌شود. این کار نشان می‌دهد ساخت انبوه محیط‌هایی با کاربر شبیه‌سازی‌شده، یک مدل متوسط را از مدل‌های خیلی بزرگ‌تر جلو می‌اندازد.