智能体数据合成新突破：任务成功率飙升13.3个百分点！
Know What You Don't Know: Agentic Data Synthesis by Evolving Generation Space for Closed-Loop Learning
📖 AI 总结
本文提出EvoSyn，一个由学习反馈驱动的多智能体数据合成框架，旨在解决交互式智能体训练中"反馈到决策"的断层问题：即观察到的学习者弱点无法直接指明未来合成应如何调整，也难以判断这些弱点能否被当前合成空间所表达。EvoSyn围绕一个可修订的状态组织合成过程，明确界定可刻意生成的交互因素及合成投入的分配方向，通过角色分工的多智能体系统将学习者反馈转化为合成修订，由设计者分配合成方向、规划者将其落地为可执行经验，从而实现空间内对薄弱区域的适应以及合成空间的扩展。在τ²-Bench和CAR-Bench上的实验表明，EvoSyn相较最强合成基线平均任务成功率提升13.3个百分点，同时生成的合成经验质量更高、结构更广，并能发现缺乏学习者反馈时被忽略的可控因素。
🔑 关键词速览
| EvoSyn | 本文提出的学习反馈驱动的多智能体数据合成框架，通过可修订状态组织合成过程。 |
| 合成经验 | 由模型或系统人工生成的、用于训练或改进智能体的交互轨迹数据。 |
| 反馈到决策的鸿沟 | 指观察到的学习者弱点无法直接指导未来数据合成应如何调整的问题。 |
| 合成空间 | 定义当前能够生成的交互因素范围，可随学习反馈进行扩展。 |
| 多智能体系统 | 由多个角色专门化的智能体协同工作的系统，用于将反馈转化为合成修订。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅