يقدم الباحثون AgentOmnia، وهو إطار عمل للتوسع الوكيلى في السيناريوهات الكاملة ينسق بين تعريف مساحة المهام، وتوليف البيانات، والتدريب ما بعد التدريب، والتقييم، والتحسين عبر تطبيقات موجهة للمستهلكين (To-Consumer)، وللمؤسسات (To-Business)، وللموظفين (To-Employee). يستخدم النظام تصنيفًا قابلًا للتوسع ويبني 5,018 بيئة ذات حالة مع 255,375 أداة و52,361 مهمة لتمكين التشخيص الدقيق عبر OmniaBench.
- يجمع AgentOmnia بين توليف البيئة والمهمة ثنائي الاتجاه مع خطوط أنابيب تعتمد على أدوات، ومبنية على البرامج، ومعتمدة على الحلول.
- يعتمد التدريب ما بعد التدريب على الضبط الدقيق الخاضع للإشراف، والتعلم التعزيزي الوكيلى عبر الإنترنت، ومنهجية التراجع التدريجي (rollback curriculum).
- تولد فشل التقييم وثائق متطلبات المنتج (Product Requirement Documents) للتطور الذاتي المستهدف.
- بدءًا من Qwen3-30B-A3B-Thinking-2507، يرفع الإطار معدل النجاح في المجموعة الصعبة من OmniaBench من 9.16% إلى 37.11% والمتوسط الكلي عبر أربعة مقاييس تقييم من 22.86% إلى 41.69%.
- يتصدر النموذج القواعد الأساسية الوكيلية المدربة ما بعد التدريب على OmniaBench ويتفوق على Qwen3-235B-A22B-Thinking-2507 في جميع المقاييس الأربعة.
يُعتبر المؤلفون هذا الأمر مهمًا لأن المكاسب تمتد عبر ثلاثة تقسيمات للتطبيقات، وعشرة أبعاد للقدرات، وثمانية عوامل للصعوبة الذرية، و76 من 90 مجالًا على المستوى الأول، مما يشير إلى تحسين واسع النطاق بدلاً من التحسين المحدد للفئة.