CoworkEnv synthétise des environnements pour collègues IA : Qwen3-VL-8B passe de 46,6 à 64,1

Comment entraîner des collègues IA à travailler dans des scénarios réels

Comment entraîner des collègues IA à utiliser des outils, gérer des interactions multi-étapes et s'adapter à des espaces de travail changeants ? C'est le problème central de la conception des systèmes agentiques, et des chercheurs proposent une approche radicalement nouvelle.

L'équipe présente CoworkEnv, un framework de synthèse d'environnements d'entraînement exécutables. À la différence des jeux de données statiques, CoworkEnv génère dynamiquement des environnements dans lesquels les modèles peuvent apprendre à interagir avec des outils et à s'adapter à des conditions changeantes.

Architecture et composants

Le framework combine trois mécanismes clés :

• Capability-guided task generation — le système génère des tâches adaptées aux capacités actuelles du modèle, pour garantir une montée en difficulté progressive • Programmatic validation — vérification automatique de la justesse des réponses via l'exécution de code et la vérification des résultats • Feedback-based repair — un mécanisme qui corrige automatiquement les exemples erronés à partir du retour reçu

Le système prend en charge les deux grandes approches d'entraînement : le supervised fine-tuning (SFT) et le reinforcement learning (RL), ce qui permet de choisir librement la stratégie selon la tâche.

Résultats d'entraînement : modèles compacts, résultats puissants

Les chercheurs ont entraîné une série de modèles compacts PocketWorker à partir de ce framework. Le résultat le plus impressionnant concerne le modèle Qwen3-VL-8B-Instruct :

• Sur la métrique Claw-Eval, le score global passe de 46,6 à 64,1 points (+17,5 points) • Sur le sous-ensemble des tâches multi-étapes, le gain atteint +31,9 points • Sur le bloc Claw-Eval Multi-turn, le modèle passe de 45,9 à 77,8 points

Les expériences ont également testé la méthode GDPO (gradient-guided DPO) pour le RL, qui atteint globalement 57,2 points sur Claw-Eval, en retrait par rapport au modèle SFT complet, mais laisse une marge pour une optimisation ultérieure.

Détails pratiques de mise en œuvre

Le système intègre un mécanisme simple mais efficace, le grading-consistency gate, qui vérifie la cohérence logique lors de l'évaluation des résultats. La règle est la suivante : un résultat complet et correct obtient le score maximal, une réponse vide obtient zéro, et tout appel à un outil interdit annule le score de sécurité. Cette approche est si efficace que les auteurs la recommandent comme outil standard pour d'autres pipelines de synthèse d'environnements.

Les chercheurs invitent activement la communauté à donner son retour et se disent prêts à discuter de la méthodologie de synthèse d'environnements et de l'entraînement d'agents à horizon de planification long terme.