Titre original : Agent-R^2: Scaling Agents for Realistic Productivity Work via Real-Source Data Synthesis
Les agents basés sur de grands modèles peinent encore à effectuer de véritables tâches bureautiques : ils doivent suivre des processus longs, comprendre des pièces jointes dans divers formats et livrer des produits utilisables, alors que les données d'entraînement postérieures sont rares et proches du travail réel. Agent-R² ne repose pas sur des flux de travail écrits manuellement ni sur des fichiers inventés par un grand modèle, mais part de graines de tâches professionnelles réelles, de preuves de flux de travail extraites de corpus et de fichiers authentiques trouvés en ligne, pour distiller 4 mille tâches avec pièces jointes multi-formats et critères d'évaluation des livrables à partir de 1 dizaines de milliers de candidats de corpus web. Après avoir utilisé ces données pour un SFT suivi d'un apprentissage par renforcement basé sur les critères d'évaluation, les auteurs affirment qu'Agent-R²-4B obtient 51.0% sur GDPval et 14.8% sur OfficeQA, surpassant Qwen3-235B-A22B-Thinking-2507 (48.0% et 13.8%) et réduisant les comportements de raccourci.
Pourquoi c'est important Les agents bureautiques manquent de données d'entraînement proches du travail réel ; ce processus génère des tâches à partir de fichiers réels et de flux de travail, avec des critères de notation basés sur les livrables
J'aime 3 · Étoiles du code 7
Raisons
- Le code pour la synthèse de données, le SFT (ms-swift), l'apprentissage par renforcement GRPO multi-tours (verl) et les évaluations GDPval et OfficeQA se trouve dans un seul dépôt, avec une configuration centralisée dans settings.yaml
- Le modèle Agent-R2-4B est disponible sur Hugging Face, basé sur Qwen3-4B-Thinking-2507, sous licence Apache-2.0
Utilisation
- Code : https://github.com/ZJU-REAL/Agent-R2;模型:抱脸 teng-pan/Agent-R2-4B, chargeable via transformers
- Pour la reproduction, il faut renseigner dans Agent-R2/settings/settings.yaml les clés de la passerelle du grand modèle, de la recherche Serper et du service sandbox ; les données d'évaluation sont à télécharger depuis openai/gdpval et databricks/officeqa
Risques
- Les comparaisons portent principalement sur des modèles de génération précédente ; les scores GDPval restent nettement inférieurs à ceux de Claude-Opus-4.5, GLM-4.7, etc.
- Les expériences des auteurs utilisent le sandbox interne de Baidu, nécessitant un remplacement par AIO Sandbox pour la version open source ; la configuration SFT de référence est un entraînement complet sur 8 cartes GPU ; les scores sont rapportés par les auteurs et n'ont pas été exécutés dans cette entrée