arxiv arXiv cs.CL · hace 1 h · fuente: hace 3 d · research

AgentOmnia escala modelos agénticos en aplicaciones de escenario completo

Traducido del English → Español

Los investigadores presentan AgentOmnia, un marco para el escalado agéntico de escenario completo que coordina la definición del espacio de tareas, la síntesis de datos, el post-entrenamiento, la evaluación y la mejora en aplicaciones To-Consumer, To-Business y To-Employee. El sistema utiliza una taxonomía extensible y construye 5.018 entornos con estado con 255.375 herramientas y 52.361 tareas para permitir un diagnóstico fino a través de OmniaBench.

AgentOmnia combina la síntesis bidireccional entorno-tarea con dependencias de herramientas, pipelines estructurados por programas y basados en solucionadores.
El post-entrenamiento emplea ajuste fino supervisado, aprendizaje por refuerzo agéntico en línea y un currículo de retroceso.
Los fallos en la evaluación generan Documentos de Requisitos del Producto para una auto-evolución dirigida.
Partiendo de Qwen3-30B-A3B-Thinking-2507, el marco eleva la tasa de aprobación del subconjunto desafiante de OmniaBench del 9,16% al 37,11% y el promedio macro a través de cuatro benchmarks del 22,86% al 41,69%.
El modelo lidera las líneas base agénticas post-entrenadas evaluadas en OmniaBench y supera a Qwen3-235B-A22B-Thinking-2507 en los cuatro benchmarks.

Los autores consideran esto significativo porque las ganancias abarcan tres divisiones de aplicación, diez dimensiones de capacidad, ocho factores de dificultad atómica y 76 de los 90 dominios de nivel 1, lo que indica una mejora amplia en lugar de específica por categoría.

Importancia 2/3 Supera un benchmark de un laboratorio puntero Nuevo entorno de evaluación con diferenciadores arXiv cs.CL Alibaba (Qwen) AI agents Research paper

Benchmarks

Benchmark	Modelo	Puntuación
τ²-bench	AgentOmnia (starting from Qwen3-30B-A3B-Thinking-2507)	41.69%

Artículos relacionados

arxiv arXiv cs.LG · hace 12 d

TRACE mejora el uso de herramientas en agentes de horizonte largo mediante estimación de crédito por turno

Los autores proponen TRACE (Turn-level Reward Assignment via Credit Estimation), un método de asignación de crédito denso para el aprendizaje por refuerzo agéntico que aborda la escasez y alta varianza de las recompensas de resultado en tareas de horizonte largo. Al representar los rollouts como transiciones de estado en los límites de llamadas a herramientas y derivar recompensas por acción a partir de valores de estado con log-ratio, TRACE permite un entrenamiento efectivo sin críticos adicionales ni etapas de ajuste fino supervisado.

arxiv arXiv cs.AI · hace 33 d · 1 vista

Optimización de habilidades impulsada por hipótesis para agentes LLM

HDSO permite actualizaciones de habilidades seguras y auditables para agentes LLM sin entrenamiento, utilizando hipótesis falsables y validación. En ALFWorld, mejora a Qwen3-8B en +6.9 puntos de SR promedio y mantiene una ganancia de +7.1 puntos bajo retroalimentación ruidosa, con habilidades validadas transferibles entre ejecuciones y modelos cuando se logra la alineación diagnóstica.

arxiv arXiv cs.CL · hace 34 d · 6 vistas

Qwen-AgentWorld: Modelos de mundo lingüístico para agentes generales

Qwen-AgentWorld-35B-A3B y Qwen-AgentWorld-397B-A17B son los primeros modelos de mundo lingüístico que simulan entornos agénticos en siete dominios utilizando razonamiento de cadena de pensamiento largo. Entrenados mediante una canalización de tres etapas—CPT, SFT y RL—estos modelos superan a los modelos fronterizos existentes en AgentWorldBench, un benchmark derivado de interacciones del mundo real de cinco modelos en nueve tareas establecidas.

arxiv arXiv cs.AI · hace 34 d · 2 vistas

Modelo de Mundo Social para Inteligencia Social de por Vida

El Modelo de Mundo Social descompone la interacción social en cinco dimensiones para permitir el aprendizaje en bucle cerrado. Permite que los modelos de código abierto mejoren y retengan sosteniblemente las capacidades sociales, superando a las líneas base e igualando a Gemini 3 Flash de código cerrado en métricas clave sin olvidar a través de niveles de dificultad.

arxiv Moonshot AI (arXiv) · hace 273 d · 1 vista

Informe Técnico de Tongyi DeepResearch

El Informe Técnico de Tongyi DeepResearch presenta un modelo de lenguaje grande agéntico diseñado para tareas de investigación profunda y de largo alcance en la búsqueda de información. El sistema utiliza una canalización de síntesis de datos completamente automática y un marco de entrenamiento de extremo a extremo que combina entrenamiento intermedio agéntico y posterior al entrenamiento para permitir el razonamiento escalable.