Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Рабочие среды для агентов, которые ведут файлы и пользуются несколькими инструментами вместе с пользователем, теперь можно собирать и исправлять автоматически: для этого создан Cowork-Gym. В препринте, который не прошёл рецензирование и приводит замеры самих авторов, обученные на этих средах модели обошли соответствующие исходные версии на всех выбранных масштабах. Подготовка данных превращается из ручного написания диалогов в инженерный конвейер с исполняемыми задачами, проверками и изменяемым рабочим пространством.
Среда связывает задачу, файлы и критерии успеха
Cowork-Gym описывает не отдельный запрос к модели, а всю ситуацию совместной работы. В неё входят цель, исходное состояние файлов, доступные инструменты, правила поведения пользователя и модуль, который проверяет результат.
Задания создают двумя способами. Первый берёт условия из таксономии: нужные способности агента, предметную область, структуру задачи, требования к результату и правила безопасности. Второй начинает с готового ресурса — например, набора документов, отчёта или репозитория — и строит задачу вокруг его содержимого и доступных операций.
Так собрали 64,9 тысячи сред в 14 прикладных сценариях. Они охватывают офисную работу, разработку программ, анализ данных и другие процессы, где агент должен создать или изменить сохраняемый результат, а не только выдать ответ в чате.
После постановки задачи отдельный агент-сборщик готовит файлы, инструменты и закрытый профиль пользователя. Другой агент независимо создаёт проверки: обычный код контролирует структуру файлов и вычисляемые значения, а модель-оценщик разбирает смысл результата и ход работы.
Затем среду запускают в изолированной песочнице. Инспектор проверяет корректное решение, заведомо неполные результаты и нетронутое исходное состояние, а также ищет утечки эталонного ответа и закрытых данных. Найденный дефект возвращается тому компоненту, который его создал; цикл повторяется, пока среда не пройдёт проверку или не исчерпает бюджет исправлений.
Пользователь меняет задачу во время выполнения
Обычный синтетический диалог фиксирует запрос заранее. Cowork-Gym добавляет симулятор пользователя, который хранит скрытую цель, известные ему сведения, историю взаимодействия и допустимые действия с файлами.
Симулятор работает вне песочницы агента и реагирует на фактический прогресс. Он может уточнить требование, отклонить черновик, заменить исходную таблицу или исправить общий документ. Агент видит сообщение и итоговое изменение рабочего пространства, но не закрытый сценарий симулятора.
Это создаёт важную для обучения зависимость: после замены входного файла ранее подготовленный анализ может стать неверным. Модель должна заметить изменение, определить затронутые результаты и пересобрать их, а не продолжить исходный план.
Каждый запуск сохраняют как траекторию из сообщений, действий, вызовов инструментов, их результатов и состояний файлов. Исполняющая оболочка тоже входит в условия запуска: она передаёт контекст, подключает инструменты и определяет момент остановки. Поэтому одна среда может дать разные траектории с разными моделями и оболочками.
Перед обучением траектории проверяют по результатам выполнения и журналу событий, затем приводят к единому формату. Авторы использовали их для обучения на готовых успешных примерах, обучения с подкреплением и дистилляции на действиях самой обучаемой модели. Дополнительный отбор под конкретную модель оказался полезнее, чем одинаковый фильтр для всех размеров: сложность подходящего примера зависит от возможностей модели.
Командам нужен конвейер сред, а не ещё один набор диалогов
Средний прирост от меньшей модели к большей составил 8,7, 6,4 и 4,1 пункта. Ours-27B заняла второе место среди сравниваемых систем, а на PawBench и ClawEval обошла участвовавшие в оценке модели размером более 100B параметров.
Работа не предлагает менять базовую модель только ради Cowork-Gym. Она меняет устройство собственного конвейера обучения: единицей данных становится версионируемая среда с файлами, правами, поведением пользователя и проверками. Такую среду можно повторно запускать с новой моделью или другой агентной оболочкой, не переписывая задание вручную.
На практике самые дорогие части схемы — не генерация формулировок, а согласование зависимостей и надёжная проверка результата. Если продукт работает с отчётами, таблицами или репозиториями, команде придётся формализовать, какие изменения делают прежний результат недействительным и какие признаки подтверждают завершение задачи.
Проверки охватывают несколько размеров Qwen и набор агентных бенчмарков. Сами среды остаются синтетическим приближением к работе людей и сосредоточены на браузере, файлах, данных и офисных процессах; сложные визуальные приложения, звук и видео представлены слабее. Кодовые проверки могут оказаться хрупкими, а модель-оценщик — пропустить ошибку, поэтому для продуктового конвейера автоматическую сборку придётся дополнять аудитом собственных задач.
Источники
Иллюстрация: рисунок из статьи «Cowork-Gym: Synthesizing Interactive Work Environments at Scale», Anni Zou, Cheng Chen, Jiaji Deng и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
