CoworkEnv sintetiza ambientes para colegas de IA: Qwen3-VL-8B salta de 46,6 para 64,1

Como treinar colegas de IA para cenários reais

Como treinar colegas de IA para usar ferramentas, lidar com interações de múltiplas etapas e se adaptar a ambientes de trabalho em constante mudança? Esse é um problema central no desenvolvimento de sistemas agênticos, e os pesquisadores propuseram uma abordagem fundamentalmente nova.

A equipe apresentou o CoworkEnv, um framework para sintetizar ambientes de treinamento executáveis. Diferente de datasets estáticos, o CoworkEnv gera ambientes de forma dinâmica, nos quais os modelos podem aprender a interagir com ferramentas e a se adaptar a condições em mudança.

Arquitetura e componentes

O framework combina três mecanismos-chave:

• Capability-guided task generation — o sistema gera tarefas adaptadas às capacidades atuais do modelo, garantindo dificuldade progressiva
• Programmatic validation — verificação automática da correção das respostas por meio da execução de código e verificação dos resultados
• Feedback-based repair — um mecanismo que corrige automaticamente exemplos com erro com base no feedback recebido

O sistema suporta as duas principais abordagens de treinamento — supervised fine-tuning (SFT) e reinforcement learning (RL) —, permitindo escolher a estratégia de forma flexível de acordo com a tarefa.

Resultados do treinamento: modelos compactos, ganhos poderosos

Os pesquisadores treinaram uma série de modelos compactos PocketWorker usando esse framework. O resultado mais impressionante veio do modelo Qwen3-VL-8B-Instruct:

• A pontuação geral no Claw-Eval subiu de 46,6 para 64,1 pontos (+17,5 pontos)
• No subconjunto de tarefas multietapas, o ganho chegou a +31,9 pontos
• No bloco Claw-Eval Multi-turn, o modelo passou de 45,9 para 77,8 pontos

Os experimentos também usaram o método GDPO (gradient-guided DPO) para RL, que alcançou de forma geral 57,2 pontos no Claw-Eval, ficando atrás do modelo SFT completo, mas deixando espaço para otimizações futuras.

Detalhes práticos da implementação

O sistema inclui um mecanismo simples, mas eficaz, chamado grading-consistency gate — uma verificação de consistência lógica na avaliação dos resultados. A regra funciona assim: um resultado completo e correto recebe a pontuação máxima, uma resposta vazia recebe zero, e qualquer chamada a uma ferramenta proibida zera a pontuação de segurança. Essa abordagem é tão eficaz que os autores a recomendam como ferramenta padrão para outros pipelines de síntese de ambientes.

Os pesquisadores convidam ativamente a comunidade a dar feedback e estão dispostos a discutir a metodologia de síntese de ambientes e o treinamento de agentes com horizontes de planejamento de longo prazo.