arxiv arXiv cs.LG · há 13 h · research

CANOPY permite que Qwen3-14B domine o AppWorld usando apenas RL de resultado

Traduzido do English → Português (BR)

O artigo apresenta o CANOPY (Coverage-ANchored On-PolicY RL), um protocolo que aborda a escassez de sinal e o desvio de política no aprendizado por reforço de longo prazo para modelos abertos pequenos. Ao ampliar a exploração na mesma tarefa e manter as atualizações ancoradas em KL, o método permite que os agentes aprendam eficazmente apenas com a verificação ao final da tarefa.

O CANOPY amplia a exploração até que o sinal natural reapareça, evitando o silêncio das recompensas esparsas em tarefas difíceis.
As atualizações são mantidas on-policy e confinadas aos tokens de ação do próprio agente para evitar o desvio de política.
Uma política Qwen3-14B treinada com CANOPY liderou o ranking público do AppWorld (fev. 2026) com um TGC Test-Normal de 86,9.
Os mesmos princípios elevaram o Qwen3.5-9B no SWE-bench Verified em 16,6 pontos, sem sinais de crédito auxiliares ou andaimes elaborados.

Os autores argumentam que o RL agêntico por si só pode internalizar capacidades de longo prazo diretamente em modelos abertos pequenos, com a pilha completa de treinamento planejada para lançamento.

Importância 2/3 Novo ambiente de avaliação com diferenciais arXiv cs.LG Alibaba (Qwen) AI agents Research paper

Benchmarks

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

Artigos relacionados

arxiv arXiv cs.LG · há 30 d · 26 visualizações

Qwen lança Qwen-CUA, um agente nativo de uso do computador com 397B-A17B

A Qwen apresenta o Qwen-CUA, um agente nativo de uso do computador construído sobre uma espinha dorsal de misturas de especialistas de 397B-A17B que opera por meio de capturas de tela e eventos de entrada, sem depender de árvores DOM ou metadados de acessibilidade. O sistema utiliza um andaime para manter até 20 capturas de tela ativas e foi treinado usando uma frota de rollout na nuvem com quase 100.000 vCPUs em aproximadamente 40.000 tarefas verificáveis.

arxiv arXiv cs.CL · há 30 d · 16 visualizações

Qwen lança o Qwen-CUA, um agente nativo de uso do computador com 397B-A17B

Pesquisadores apresentaram o Qwen-CUA, um agente nativo de uso do computador construído sobre uma base mista de especialistas Qwen de 397B-A17B. O sistema opera observando capturas de tela e agindo por meio de eventos de teclado e mouse, sem depender de árvores DOM ou metadados de acessibilidade.

arxiv arXiv cs.AI · há 34 d · 13 visualizações

Qwen-UI-Agent estabelece estado da arte em benchmarks de uso móvel

A equipe do Qwen publicou um relatório técnico para o Qwen-UI-Agent, um agente GUI fundamental centrado no mundo real, projetado para operar de forma confiável em ambientes móveis, de uso em computadores, web e DeepSearch. O sistema combina diversos ambientes sandbox com uma execução móvel em dispositivos reais em larga escala, intercalando operações de GUI com execução de CLI e suportando tarefas de longo prazo.

arxiv arXiv cs.CL · há 37 d · 12 visualizações

AgentOmnia escala modelos agênticos em aplicações de cenários completos

Pesquisadores apresentam o AgentOmnia, um framework para escalonamento agêntrico de cenários completos que coordena a definição do espaço de tarefas, síntese de dados, pós-treinamento, avaliação e melhoria em aplicações To-Consumer, To-Business e To-Employee. O sistema utiliza uma taxonomia extensível e constrói 5.018 ambientes com estado contendo 255.375 ferramentas e 52.361 tarefas para permitir diagnóstico fino por meio do OmniaBench.

arxiv arXiv cs.LG · há 48 d · 10 visualizações

TRACE melhora o uso de ferramentas por agentes de longo prazo via estimativa de crédito por turno

Os autores propõem o TRACE (Turn-level Reward Assignment via Credit Estimation), um método de atribuição de crédito denso para aprendizado por reforço agêntico que aborda a esparsidade e a alta variância das recompensas de resultado em tarefas de longo prazo. Ao representar os rollouts como transições de estado nas fronteiras de chamadas de ferramentas e derivar recompensas por ação a partir de valores de estado com log-ratio, o TRACE permite treinamento eficaz sem críticos adicionais ou estágios de ajuste fino supervisionado.