「假电脑」教AI用电脑,出的题连GPT-6 Astra都做不对
2026.11.07 · 收录日 2026.11.07 · 事件 · 论文 · 论文预印本
研究团队用开源模型合成整台个人电脑环境与任务,训练Qwen模型在8个OOD榜单全面提升。
微软研究院联合北卡、佐治亚理工和东北大学提出 WildAWM,用代码合成包含 shell、文件系统、浏览器和 MCP 服务的整台个人电脑环境,再合成跨界面任务与验证器。仅用开源模型合成,训练 Qwen3.6-35b-a3b 和 Qwen3.5-4b,在 8 个 OOD 评测榜单上全部提升;341 道合格题中 GPT-6 Astra 的 Pass@8 仍有 27.3% 一次未做对。
- WildAWM 合成整台个人电脑环境,含 GUI web、MCP、CLI 三种接口,共合成 36 个人物、640 个世界状态。
- 任务为跨界面 XAI 任务,平均含 4.2 个子任务、切换 3.1 次接口,74.5% 中途需回到之前用过的接口。
- 2551 个任务草稿经 5 道关卡筛选后留下 341 道合格题,其中 273 道被标为难题。
- 验证脚本与 agent judge 投票一致率 95%,Cohen's κ 为 0.90,保证 RL 奖励信号可靠。
- 仅用合成环境训练两个 Qwen 模型,在 8 个训练时未见过的 OOD benchmarks 上全部有提升。
为什么值得看
合成环境替代真机训练,低成本造出难倒前沿模型的 Agent 任务
适合谁关注
关注 Agent 训练、强化学习与合成数据的研究者和开发者
