什么值得买App下载 App ›
连续签到专享现金活动

Agent-World:提升通用智能体能力的“自我进化”训练场与框架

大语言模型正朝着与外部真实环境交互的通用智能体方向发展。然而,现有研究在训练鲁棒的智能体时,面临着缺乏高度逼真的真实训练环境以及缺乏终身学习机制的瓶颈。字节跳动Seed与中国人民大学联合提出的 Agent-World 框架,通过构建一个“环境与智能体共同进化”的闭环系统,解决了这一难题。该系统利用深度搜索智能体自主挖掘真实世界主题,合成可验证的复杂任务,并通过多环境强化学习驱动智能体持续自我进化。
01核心框架:环境与智能体的协同进化
Agent-World 的核心创新在于打破了静态训练的局限,建立了一个双向协同进化的动态机制。传统的智能体训练环境多依赖人工设计,扩展性差,而该框架引入了“深度搜索智能体”,能够自主探索网络数据库与工具生态系统,自动生成可执行工具与复杂任务。系统将合成的多样化环境作为竞技场,自动诊断智能体的能力短板,并针对性地扩展相关环境或任务,从而实现“智能体策略”与“训练环境”的共同演进。
02技术实现:两阶段闭环训练系统
整个技术链路拆解为“智能体化环境与任务发现”和“持续的自我进化智能体训练”两个核心阶段,形成了一个紧密耦合的闭环。
  1. 智能体化环境与任务发现
    深度搜索智能体读取真实世界的 MCP 服务器规范或 API 文档,在隔离的 Docker 沙盒中编写代码生成 Mock 数据库。随后,根据数据库 Schema 生成带有类型提示和文档字符串的 Python 函数作为工具。系统通过图遍历组合出长逻辑链,逆向生成自然语言指令,并利用基座模型在沙盒中验证任务的可解性,将成功解决的任务标记为高质量训练数据。
  2. 持续自我进化智能体训练
    系统让智能体在当前环境池中执行任务,记录失败轨迹并提取“能力短板”。针对这些短板,第一阶段会定向扩充环境。训练环节采用 GRPO(组相对策略优化)算法,对同一任务生成多个探索轨迹,根据沙盒中的执行结果计算奖励信号,通过强化学习提升高奖励轨迹的概率,实现模型在实战中的自我进化。
03实验验证:小模型的性能逆袭与 Scaling Law
评估维度核心发现
基准测试表现在23个具有挑战性的智能体基准测试中,Agent-World-8B 和 Agent-World-14B 超越了同级别开源模型及 GPT-5.2 High、Gemini-3 Pro 等前沿闭源模型。
环境数量与性能关系呈现出明确的 Scaling Law,合成环境的数量与智能体最终性能存在正向缩放关系,环境越丰富,模型表现越强。
进化轮次影响随着自我进化轮次的增加,模型在长周期复杂任务上的表现持续提升,验证了迭代训练的有效性。

Agent-Word 实验核心结论汇总

消融实验进一步证明,沙盒返回的“真实执行结果”是极其可靠的训练信号。Agent-World 框架表明,智能体发展的下一阶段不再单纯依赖模型参数的暴力放大,而是通过自主构建海量的真实交互环境,利用强化学习闭环让模型在实战中实现能力跃迁。

评论

评论区空态插画

当前文章无评论,是时候发表评论了