야생 환경에서의 에이전트 월드 모델: 컴퓨터 사용 에이전트 환경 합성

원문 발행 2026. 10. 20. 02:55원문 언어 영어AI 한국어 번역arXiv cs.CL (NLP) 원문 보기

요약

본 논문은 에이전트 학습의 범위를 실제 컴퓨터 시스템에 확장하기 위해, 제어 가능한 환경과 작업을 합성하는 파이프라인 WildAWM을 제안합니다. WildAWM은 GUI, 모델 컨텍스트 프로토콜 서비스, CLI를 통합 지원하여 시각적 상호작용, 도구 사용, 코드 실행을 결합할 수 있게 합니다. 이 오픈 소스 환경에서 훈련된 Qwen 모델이 다양한 분포 외(OOD) 컴퓨터 사용 작업에서 높은 일반화 성능을 보였습니다.

핵심 포인트

WildAWM은 GUI, 서비스 프로토콜, CLI를 통합 지원하는 범용 에이전트 학습 환경입니다.
오픈 소스 기반으로 고품질의 컴퓨터 사용 환경 생성이 가능함을 입증했습니다.
합성된 341개 작업 쌍은 100단계 이상의 복잡한 에이전트 단계를 요구합니다.
WildAWM에서 훈련된 모델은 다양한 OOD 컴퓨터 사용 작업에 대해 높은 일반화 성능을 보였습니다.

에이전트 학습은 인간 데이터로부터의 학습에서 벗어나 세상과의 상호작용을 통해 학습하는 방향으로 전환되고 있습니다. 하지만 이러한 학습을 실제 컴퓨터 시스템에 직접 확장하는 것은 어렵고 상당한 보안 위험을 초래할 수 있습니다. 따라서 우리는 범용적인 컴퓨터 사용 에이전트(CUAs)를 훈련하기 위한 제어 가능한 환경과 작업을 합성하는 확장 가능한 파이프라인인 Agent World Model in the Wild (WildAWM)을 제안합니다. 기존 접근 방식들이 일반적으로 단일 에이전트 상호작용 인터페이스에 특화된 반면, 우리는 그래픽 사용자 인터페이스(GUI), 모델 컨텍스트 프로토콜 서비스, 그리고 명령줄 인터페이스를 공동으로 지원하는 실행 가능한 환경을 구축하여, 에이전트가 시각적 상호작용, 도구 사용, 코드 실행을 유연하게 결합할 수 있도록 합니다. WildAWM은 전적으로 오픈 소스 모델로 구동되며, 독점적인 최첨단 모델 없이도 고품질의 컴퓨터 사용 환경을 생성할 수 있음을 입증합니다. 환경 외에도, 우리는 작업 합성에서 반복되는 세 가지 과제(해결 가능성 보장, 충분한 난이도 유지, 신뢰할 수 있는 검증기 생성)를 다루기 위해 이종 에이전트 롤아웃, 교차 심사 일관성 확인, 판단 견고성에 대한 반사실적 탐침을 결합하는 실행 기반 품질 게이트를 도입합니다. 그 결과로 만들어진 파이프라인은 341개의 장기 지평 환경-작업 쌍을 합성하며, 이들은 해결하는 데 100단계 이상의 에이전트 단계를 요구하고 GPT-6-Astra조차도 60%만을 해결할 정도로 여전히 도전적입니다. 우리는 두 가지 크기가 다른 Qwen 모델을 오직 이 합성된 환경에서만 훈련시켰습니다. 두 모델 모두 웹, claw, 컴퓨터 사용 에이전트를 아우르는 8개의 분포 외(out-of-distribution) 벤치마크 전반에 걸쳐 상당한 성능 향상을 달성했으며, 이는 WildAWM의 합성된 환경에서의 학습이 보지 못한 컴퓨터 사용 작업으로 광범위하게 일반화됨을 입증합니다. 코드는 https://github.com/MSR-Orchard/WildAWM에서 공개적으로 이용 가능합니다.

AI 자동 생성 콘텐츠

원문 바로가기

야생 환경에서의 에이전트 월드 모델: 컴퓨터 사용 에이전트 환경 합성

요약

핵심 포인트

댓글