原題:Agent-R^2: Scaling Agents for Realistic Productivity Work via Real-Source Data Synthesis
大規模モデルエージェントによる実際のオフィス業務はまだ困難を伴う。長いワークフローを完遂し、さまざまな形式の添付ファイルを読み解き、実用可能な成果物を提出する必要があるが、実際の業務に近い後訓練データは少ない。Agent-R²は、人間によるワークフローの作成や大規模モデルによるファイルの捏造には頼らず、実際の職業タスクのシード、コーパスから抽出されたワークフローの証拠、およびWeb上で見つかった実際のファイルを出発点とし、1万件のWebコーパス候補から、複数の形式の添付ファイルと成果物の採点基準を備えた4千件のタスクを抽出した。これらのデータを用いてSFTと採点基準に基づく強化学習を行った後、著者らはAgent-R²-4BがGDPvalで51.0%、OfficeQAで14.8%を達成し、いずれもQwen3-235B-A22B-Thinking-2507(48.0%および13.8%)を上回り、近道を取る挙動が減少したと報告している。
なぜ重要か オフィスエージェントに欠けているのは、実際の業務に近い訓練データである。このパイプラインは、実際のファイルとワークフローからタスクを生成し、成果物に基づく採点基準を備えている
いいね 3 · コードのスター数 7
理由
- データ合成、SFT(ms-swift)、マルチターンGRPO強化学習(verl)、GDPvalおよびOfficeQA評価のコードはすべて1つのリポジトリにあり、設定はsettings.yamlに集約されている
- モデルAgent-R2-4BはHugging Faceで公開されており、Qwen3-4B-Thinking-2507をベースとし、Apache-2.0ライセンスである
使い方
- コード:https://github.com/ZJU-REAL/Agent-R2;模型:抱脸 teng-pan/Agent-R2-4B、transformersで読み込み可能
- 再現には、Agent-R2/settings/settings.yamlに大規模モデルゲートウェイ、Serper検索のAPIキー、およびサンドボックスサービスの設定が必要。評価データはopenai/gdpval、databricks/officeqaからダウンロードする
リスク
- 比較対象の多くは前世代のモデルである。GDPvalの成績はClaude-Opus-4.5、GLM-4.7などとの間に依然として明確な差がある
- 著者の実験では百度(Baidu)の内部サンドボックスを使用しており、オープンソースの代替手段としてはAIO Sandboxへの置き換えが必要。SFTの参考設定は8カードでの全パラメータ学習である。成績は著者による報告であり、本記事では実行していない
開く · コード · Hugging Face論文ページ