مقاله‌ی arXiv:2610.18067 · نگه‌داشته برای بعد
WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment Evolution
تکامل بازگشتی محیط‌های آموزشی برای ایجنت‌های همکار طولانی‌مدت: ترمیم محیط با بازخورد اجرا
- تاریخ
- (۲۱ مهر ۱۴۰۵) 2026-10-13 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Hang He, Linting Wang, Guanming Liu, Bo Mao, Jinxiu Liu, Yiran Suo, Maosen Zhou, Zhiheng Xi, Guanting Dong, Zhou Shao, Rui Zheng, Jie Zhou, Chengcheng Wan, Tao Gui, Qi Zhang, Xipeng Qiu, Xuanjing Huang
- نهاد نویسنده‌ها
- Fudan University; East China Normal University; Renmin University of China; Shanghai Qiji Zhifeng Co., Ltd.; Shanghai Innovation Institute
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
بزرگ کردن محیط‌های تعاملی برای آموزش ایجنت‌های طولانی‌مدت با یادگیری تقویتی مهم است. این محیط‌ها بعد از ساخت اولیه اغلب آزمون و اصلاح بیشتری لازم دارند، و اصلاح یک ایراد در تسک ممکن است به‌روزرسانی کانتکست کاری و تأییدکننده را هم لازم کند. خط لوله‌های موجود از چنین اصلاح تکراری‌ای با حفظ هماهنگی اجزا پشتیبانی کمی می‌کنند.
روش
در چارچوب WorkRover، ایجنت‌های سازنده کانتکست کاری، تسک اجرایی و تأییدکننده‌ی مبتنی بر شواهد را با هم می‌سازند و تأیید می‌کنند و با وضعیت فضای کاری و بازخورد اجرا تطبیق می‌یابند. روش FCR با بازخورد اجرا ترکیب‌های اصلاح اجزا را با بازپخش بسته از نظر وابستگی ارزیابی می‌کند و کوچک‌ترین ترمیم تأییدشده را انتخاب می‌کند. روش VTCA مزیت GRPO در سطح مسیر را با سیگنال‌های بررسی قطعی پیشرفت فضای کاری تقویت می‌کند و سهم محدودی از اعتبار پیشرفت را به نوبت‌های پیش‌نیاز می‌دهد.
یافته‌ها
- مدل WorkRover-35B-A3B، که از مدل پایه‌ی Qwen3.5-35B-A3B پس‌آموزش داده شد، در JobBench ۲۶٫۲۷ واحد درصد از مدل پایه بهتر بود.
- در OfficeQA Pro هم ۲۹٫۳۲ واحد درصد از مدل پایه بهتر بود.
- در GDPval v2، ۴۱۳٫۲۵ امتیاز «الو» بالاتر از مدل پایه گرفت.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ عددها امتیازهای گزارش‌شده‌ی خود نویسنده‌ها روی بنچمارک‌های همکار است.
چرا مهم است
کیفیت محیط آموزشی سقف کیفیت ایجنت را تعیین می‌کند. این کار نشان می‌دهد محیط‌ها را می‌شود مثل نرم‌افزار با بازخورد اجرا پیوسته ترمیم کرد و نتیجه، ایجنت‌های اداری خیلی بهتر است.