arxiv arXiv cs.LG · 13 jam lalu · research

CANOPY memungkinkan Qwen3-14B meraih puncak AppWorld dengan RL berbasis hasil akhir

Diterjemahkan dari English → Bahasa Indonesia

Makalah ini memperkenalkan CANOPY (Coverage-ANchored On-PolicY RL), sebuah protokol yang mengatasi kelaparan sinyal dan pergeseran kebijakan dalam pembelajaran penguatan jangka panjang untuk model terbuka berukuran kecil. Dengan melakukan skalasi eksplorasi pada tugas yang sama dan menjaga pembaruan tetap terikat KL, metode ini memungkinkan agen belajar secara efektif hanya dari verifikasi di akhir tugas.

CANOPY melakukan skalasi eksplorasi hingga sinyal alami muncul kembali, menghindari keheningan akibat reward yang jarang pada tugas sulit.
Pembaruan dijaga tetap on-policy dan dibatasi pada token tindakan agen sendiri untuk mencegah pergeseran kebijakan.
Kebijakan Qwen3-14B yang dilatih dengan CANOPY meraih puncak papan peringkat publik AppWorld (Feb. 2026) dengan TGC Test-Normal sebesar 86,9.
Prinsip yang sama meningkatkan skor Qwen3.5-9B pada SWE-bench Verified sebanyak 16,6 poin tanpa sinyal kredit tambahan atau perancah rumit.

Para penulis berargumen bahwa RL agentic saja dapat menginternalisasi kemampuan jangka panjang secara langsung ke dalam model terbuka berukuran kecil, dengan tumpukan pelatihan lengkap yang direncanakan untuk dirilis.

Kepentingan 2/3 Kerangka evaluasi baru dengan pembeda arXiv cs.LG Alibaba (Qwen) AI agents Research paper

Benchmark

Benchmark	Model	Skor
SWE-bench Verified	Qwen3.5-9B	16.6%

Artikel terkait

arxiv arXiv cs.LG · 30 hari lalu · 26 tayangan

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Qwen memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone mixture-of-experts 397B-A17B yang beroperasi melalui tangkapan layar dan peristiwa input tanpa mengandalkan pohon DOM atau metadata aksesibilitas. Sistem ini memanfaatkan kerangka kerja untuk mempertahankan hingga 20 tangkapan layar aktif dan dilatih menggunakan armada rollout cloud dengan hampir 100.000 vCPU di sekitar 40.000 tugas yang dapat diverifikasi.

arxiv arXiv cs.CL · 30 hari lalu · 16 tayangan

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Peneliti telah memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone campuran-ahli Qwen 397B-A17B. Sistem ini beroperasi dengan mengamati tangkapan layar dan bertindak melalui peristiwa keyboard dan mouse, tanpa bergantung pada pohon DOM atau metadata aksesibilitas.

arxiv arXiv cs.AI · 34 hari lalu · 13 tayangan

Qwen-UI-Agent menetapkan standar terbaru pada benchmark penggunaan seluler

Tim Qwen telah merilis laporan teknis untuk Qwen-UI-Agent, agen GUI dasar yang berpusat pada dunia nyata dan dirancang untuk beroperasi secara andal di lingkungan seluler, penggunaan komputer, web, dan DeepSearch. Sistem ini menggabungkan berbagai lingkungan sandbox dengan runtime seluler perangkat nyata berskala besar, menyelingkan operasi GUI dengan eksekusi CLI dan mendukung tugas jangka panjang.

arxiv arXiv cs.CL · 37 hari lalu · 12 tayangan

AgentOmnia menskalakan model agentic di seluruh aplikasi skenario penuh

Peneliti mempresentasikan AgentOmnia, sebuah kerangka kerja untuk penskalaan agentic skenario penuh yang mengoordinasikan definisi ruang tugas, sintesis data, pasca-pelatihan, evaluasi, dan peningkatan di seluruh aplikasi To-Consumer, To-Business, dan To-Employee. Sistem ini memanfaatkan taksonomi yang dapat diperluas dan membangun 5.018 lingkungan stateful dengan 255.375 alat dan 52.361 tugas untuk memungkinkan diagnosis halus melalui OmniaBench.

arxiv arXiv cs.LG · 48 hari lalu · 10 tayangan

TRACE meningkatkan penggunaan alat agen jangka panjang melalui estimasi kredit per giliran

Para penulis mengusulkan TRACE (Turn-level Reward Assignment via Credit Estimation), sebuah metode penugasan kredit padat untuk pembelajaran penguatan agentic yang mengatasi kelangkaan dan varians tinggi dari reward hasil dalam tugas jangka panjang. Dengan merepresentasikan rollout sebagai transisi keadaan pada batas panggilan alat dan menurunkan reward per aksi dari nilai keadaan rasio log, TRACE memungkinkan pelatihan efektif tanpa kritikus tambahan atau tahap fine-tuning terawasi.