CompoWorld مسیرهای چندخدمتی را برای آموزش عامل‌های هوش مصنوعی گسترش می‌دهد

چارچوب «محیط‌های ترکیبی هوش مصنوعی» با نام CompoWorld، روشی برای آموزش عامل‌هایی معرفی می‌کند که باید اطلاعات و اقدام‌ها را میان چند سرویس به هم پیوند دهند. پژوهشگران در مقاله‌ای که اول اکتبر ۲۰۲۶ در arXiv منتشر شد، می‌گویند مدل آموزش‌دیده با این روش در هشت معیار ارزیابی به‌طور میانگین ۹٫۱۷ امتیاز بهتر از مدل پایه عمل کرده است؛ نتیجه‌ای که به گفته آن‌ها در آزمون AutomationBench نیز برجسته بود.

چرا به محیط‌های ترکیبی هوش مصنوعی نیاز است؟

محیط‌های خودکارِ تولیدشده می‌توانند داده تعاملی موردنیاز برای آموزش عامل‌های عمومی را فراهم کنند. اما به‌گفته نویسندگان، روش‌های پیشین عمدتاً وظایف را درون یک محیط واحد می‌ساختند. در مقابل، بسیاری از کارهای واقعی به عامل نیاز دارند که اطلاعات را از یک سرویس دریافت کند و برای تکمیل کار در سرویسی دیگر از آن استفاده کند.

CompoWorld برای نزدیک‌شدن به این نوع گردش‌کار، به‌جای ساختن هر محیط از ابتدا، یک کتابخانه محدود از سرویس‌های قابل‌استفاده مجدد را با هم ترکیب می‌کند. در این چارچوب، وظیفه می‌تواند شامل وابستگی میان چند سرویس باشد و عامل باید اطلاعات را در مسیر مناسب میان آن‌ها جابه‌جا کند.

ساخت سرویس‌ها و اتصال وظایف

طبق مقاله، عامل‌های کدنویس مشخصات ابزارها را به سرویس‌های قابل‌راستی‌آزمایی تبدیل می‌کنند. این سرویس‌ها حالت‌های نوع‌دار و رابط‌های مشترک دارند؛ یعنی داده‌ها و شیوه تعامل با هر سرویس، ساختاری مشخص دارد. برای ابزارهایی که پیاده‌سازی مطمئن آن‌ها ممکن نیست، چارچوب از یک مدل جهان استفاده می‌کند.

سپس روشی مبتنی بر گام‌زنی تصادفی، سرویس‌ها را از طریق نمودارهای وابستگی به هم وصل می‌کند. این کار امکان تولید و بررسی وظایفی را فراهم می‌آورد که در آن‌ها اطلاعات باید از یک سرویس به سرویس دیگر برسد. نویسندگان می‌گویند مسیرهای تعاملیِ راستی‌آزمایی‌شده از این فرایند برای آموزش نظارت‌شده استفاده می‌شوند.

آموزش مدل و نتایج گزارش‌شده

پژوهشگران در مجموع ۴۴۸ سرویس با ۱۰٬۱۳۰ ابزار ساختند. برای آموزش Qwen3.6-35B-A3B، از ۳٬۰۰۰ مسیر آموزش نظارت‌شده و ۱٬۰۰۰ وظیفه برای یادگیری تقویتی استفاده شد. در آموزش نظارت‌شده، مدل از نمونه‌های تأییدشده یاد می‌گیرد؛ یادگیری تقویتی نیز رفتار آن را با توجه به میزان موفقیت در انجام وظایف بهبود می‌دهد.

برای مرحله دوم، مقاله از پاداشی به نام Completion-Focused Rubric Reward استفاده می‌کند. این روش، معیارهایی را که در هر گروه از اجراها کمتر موفق بوده‌اند برجسته می‌کند تا یادگیری به سمت تکمیل کامل وظیفه هدایت شود. نویسندگان گزارش می‌دهند که روش CompoWorld در هشت معیار، میانگین عملکرد مدل پایه را ۹٫۱۷ امتیاز افزایش داده است.

در AutomationBench، طبق نتایج مقاله، مدل از Claude Opus 4.6 پیشی گرفته و در میان مدل‌های تخصصی عامل با اندازه ۳۵B-A3B در صدر مدل‌های مقایسه‌شده قرار گرفته است. این ادعاها نتایج گزارش‌شده در خود پژوهش‌اند و خلاصه مقاله جزئیات بیشتری درباره معیارها یا شرایط مقایسه ارائه نمی‌کند.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای سازندگان عامل‌های هوش مصنوعی و ابزارهای خودکارسازی اهمیت دارد؛ به‌ویژه آن‌هایی که می‌خواهند مدل‌ها را برای انجام کارهای چندمرحله‌ای میان سرویس‌های مختلف آموزش دهند. CompoWorld نشان می‌دهد ترکیب محیط‌ها و کنترل مسیرهای داده می‌تواند راهی برای گسترش وظایف آموزشی باشد، هرچند نتایج منتشرشده در این مقاله به‌تنهایی برای ارزیابی عملکرد در همه کاربردهای واقعی کافی نیست.