CoworkEnv sintetiza entornos para colegas de IA: Qwen3-VL-8B pasa de 46,6 a 64,1

Cómo entrenar a colegas de IA para escenarios reales

¿Cómo entrenar a colegas de IA para que usen herramientas, gestionen interacciones de varios pasos y se adapten a entornos de trabajo cambiantes? Este es un problema central en el desarrollo de sistemas agénticos, y los investigadores han propuesto un enfoque radicalmente nuevo.

El equipo presentó CoworkEnv, un framework para sintetizar entornos de entrenamiento ejecutables. A diferencia de los conjuntos de datos estáticos, CoworkEnv genera entornos de forma dinámica en los que los modelos pueden aprender a interactuar con herramientas y a adaptarse a condiciones cambiantes.

Arquitectura y componentes

El framework combina tres mecanismos clave:

• Capability-guided task generation: el sistema genera tareas adaptadas a las capacidades actuales del modelo para garantizar una dificultad progresiva
• Programmatic validation: verificación automática de la corrección de las respuestas mediante ejecución de código y verificación de resultados
• Feedback-based repair: un mecanismo que corrige automáticamente los ejemplos erróneos a partir de la retroalimentación recibida

El sistema admite los dos enfoques principales de entrenamiento —supervised fine-tuning (SFT) y reinforcement learning (RL)— lo que permite elegir una estrategia de forma flexible según la tarea.

Resultados del entrenamiento: modelos compactos, resultados potentes

Los investigadores entrenaron una serie de modelos compactos PocketWorker con este framework. El resultado más impresionante se obtuvo con el modelo Qwen3-VL-8B-Instruct:

• La puntuación general en Claw-Eval subió de 46,6 a 64,1 puntos (+17,5 puntos)
• En el subconjunto de tareas multipaso, la mejora fue de +31,9 puntos
• En el bloque Claw-Eval Multi-turn, el modelo pasó de 45,9 a 77,8 puntos

Los experimentos también emplearon el método GDPO (gradient-guided DPO) para RL, que alcanzó en general 57,2 puntos en Claw-Eval, por debajo del modelo SFT completo, pero dejando margen para una mayor optimización.

Detalles prácticos de la implementación

El sistema incluye un mecanismo sencillo pero eficaz llamado grading-consistency gate, que verifica la coherencia lógica al evaluar los resultados. La regla funciona así: un resultado completo y correcto recibe la puntuación máxima, una respuesta vacía recibe cero, y cualquier llamada a una herramienta prohibida anula la puntuación de seguridad. Este enfoque es tan eficaz que los autores lo recomiendan como herramienta estándar para otros pipelines de síntesis de entornos.

Los investigadores invitan activamente a la comunidad a dar su opinión y están dispuestos a debatir la metodología de síntesis de entornos y el entrenamiento de agentes con horizontes de planificación largos.