arxiv arXiv cs.LG · hace 13 h · research

CANOPY permite que Qwen3-14B encabece AppWorld usando RL solo con resultados

Traducido del English → Español

El artículo presenta CANOPY (Coverage-ANchored On-PolicY RL), un protocolo que aborda la escasez de señales y la deriva de políticas en el aprendizaje por refuerzo a largo plazo para modelos abiertos pequeños. Al escalar la exploración de la misma tarea y mantener las actualizaciones ancladas mediante KL, el método permite que los agentes aprendan eficazmente únicamente a partir de la verificación al final de la tarea.

CANOPY escala la exploración hasta que reaparece la señal natural, evitando el silencio de las recompensas dispersas en tareas difíciles.
Las actualizaciones se mantienen dentro de la política y se limitan a los tokens de acción del agente para prevenir la deriva de la política.
Una política Qwen3-14B entrenada con CANOPY encabezó el tablero de clasificación público de AppWorld (feb. 2026) con un TGC de prueba normalizado de 86,9.
Los mismos principios elevaron a Qwen3.5-9B en SWE-bench Verified en 16,6 puntos sin señales de crédito auxiliares ni andamiaje elaborado.

Los autores argumentan que el RL agéntico por sí solo puede internalizar la capacidad a largo plazo directamente en modelos abiertos pequeños, con la pila completa de entrenamiento planificada para su lanzamiento.

Importancia 2/3 Nuevo entorno de evaluación con diferenciadores arXiv cs.LG Alibaba (Qwen) AI agents Research paper

Benchmarks

Benchmark	Modelo	Puntuación
SWE-bench Verified	Qwen3.5-9B	16.6%

Artículos relacionados

arxiv arXiv cs.LG · hace 30 d · 26 vistas

Qwen lanza Qwen-CUA, un agente de uso nativo del ordenador de 397B-A17B

Qwen presenta Qwen-CUA, un agente de uso nativo del ordenador basado en una columna vertebral de mezcla de expertos de 397B-A17B que opera mediante capturas de pantalla y eventos de entrada sin depender de árboles DOM ni metadatos de accesibilidad. El sistema utiliza un andamio para mantener hasta 20 capturas de pantalla activas y fue entrenado utilizando una flota de despliegue en la nube con casi 100.000 vCPUs a lo largo de aproximadamente 40.000 tareas verificables.

arxiv arXiv cs.CL · hace 30 d · 16 vistas

Qwen lanza Qwen-CUA, un agente nativo de uso informático de 397B-A17B

Los investigadores han presentado Qwen-CUA, un agente nativo de uso informático construido sobre una base de expertos mixtos Qwen de 397B-A17B. El sistema opera observando capturas de pantalla y actuando a través de eventos de teclado y ratón, sin depender de árboles DOM ni metadatos de accesibilidad.

arxiv arXiv cs.AI · hace 34 d · 13 vistas

Qwen-UI-Agent establece el estado del arte en pruebas de uso móvil

El equipo de Qwen ha publicado un informe técnico para Qwen-UI-Agent, un agente GUI fundamental centrado en el mundo real diseñado para operar de forma fiable en entornos móviles, de uso en computadora, web y DeepSearch. El sistema combina diversos entornos de sandbox con una ejecución móvil a gran escala en dispositivos reales, intercalando operaciones GUI con ejecución CLI y apoyando tareas de largo alcance.

arxiv arXiv cs.CL · hace 37 d · 12 vistas

AgentOmnia escala modelos agénticos en aplicaciones de escenario completo

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.

arxiv arXiv cs.LG · hace 48 d · 10 vistas

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.