EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience

Created by

Haebom

저자

Taofeng Xue, Chong Peng, Mianqiu Huang, Linsen Guo, Tiancheng Han, Haozhe Wang, Jianing Wang, Xiaocheng Zhang, Xin Yang, Dengchang Zhao, Jinrui Ding, Xiandi Ma, Yuchen Xie, Peng Pei, Xunliang Cai, Xipeng Qiu

💡 개요

본 논문은 정적 데이터셋의 한계를 극복하는 차세대 컴퓨터 사용 에이전트(CUA) 개발을 제안합니다. EvoCUA는 자체적인 데이터 생성 및 정책 최적화 순환 시스템을 통해 장기적인 컴퓨터 작업의 복잡한 인과 관계를 학습하며, 대규모 합성 경험을 기반으로 정책을 발전시킵니다. 이를 통해 기존 방법론의 데이터 부족 문제를 해결하고 에이전트의 성능을 혁신적으로 향상시켰습니다.

🔑 시사점 및 한계

•

데이터 스케일링의 한계 극복: 합성 데이터 생성 엔진과 대규모 샌드박스 롤아웃 인프라를 통해 대규모 경험을 효율적으로 확보하는 방법을 제시합니다.

•

진화적 학습 전략의 효과성: 실패로부터 학습하고 스스로 교정하는 반복적인 진화 학습 전략이 에이전트의 지속적인 성능 향상을 이끌어냄을 입증합니다.

•

다양한 규모의 파운데이션 모델에 대한 일반화: 본 접근 방식이 다양한 규모의 파운데이션 모델에 일관된 성능 향상을 보여주어, 네이티브 에이전트 개발의 확장 가능한 경로를 제시합니다.

•

합성 데이터의 검증 가능성: 생성된 작업과 실행 가능한 검증기를 통해 데이터의 품질과 신뢰성을 확보하는 것이 중요하며, 이는 향후 연구에서 더욱 심도 있게 다루어져야 할 부분입니다.

PDF 보기

Made with Slashpage