実世界向けエージェントワールドモデル：コンピュータ操作エージェント用環境の自動合成

- 計算機利用エージェント（CUA）を訓練するための、制御可能な環境とタスクを合成するスケーラブルなパイプライン「Agent World Model in the Wild（WildAWM）」の提案。 - 実世界のコンピュータシステム上での学習はセキュリティリスクが大きくスケール困難であるため、合成環境で学習させることを狙う。 - GUI、model context protocol services、command-line interfaces を同時にサポートする実行可能環境を構築する。 - 341個の long-horizon な環境-タスクペアを合成し、8つの out-of-distribution ベンチマークで汎化を検証する。

- 既存手法は通常、単一のエージェント相互作用インターフェースに特化しているのに対し、GUI・model context protocol services・command-line interfaces を併せて支持する実行可能環境を構築する点が異なる。 - 環境生成を完全に open-source models で行い、proprietary frontier models なしでも高品質な環境が生成できることを示す。 - タスク合成における solvability・難易度・verifier の信頼性という3つの課題に対し、execution-based quality gates を導入する点が新しい。 - 合成タスクは frontier models でも難しく、GPT-6-Astra でも60%しか解けない水準を達成。

- 実行可能な環境を合成し、GUI・model context protocol services・command-line interfaces を組み合わせた柔軟な相互作用を可能にする。 - 環境生成とタスク生成を open-source models のみで駆動するパイプラインを構築。 - タスク合成の品質管理として execution-based quality gates を導入し、次の3要素を組み合わせる。 - heterogeneous agent rollouts による solvability の担保。 - cross-judge consistency checks による verifier の信頼性向上。 - counterfactual probes による judgment robustness の検証。 - 100ステップ超を要し得る long-horizon な環境-タスクペアを341個生成。

- 合成した341個の long-horizon 環境-タスクペアに対し、frontier model の GPT-6-Astra が60%しか解けないことを示し、難易度を実証。 - 異なるサイズの Qwen モデル2つを合成ワールドのみで訓練。 - web、claw、computer-use agents にまたがる8つの out-of-distribution ベンチマークで、両モデルが大幅な性能向上を達成。 - 合成ワールドでの学習が未見の computer-use タスクへ広く汎化することを示す。

- 実世界システムでの学習のセキュリティリスクを回避しつつ、合成環境でスケール可能な学習を実現する意義が示唆される。 - open-source models のみで高品質な環境生成が可能である点が議論の焦点となり得る。 - solvability・難易度・verifier 信頼性の3課題に対する execution-based quality gates の有効性が論点。 - 具体的な限界や失敗事例、計算コスト、環境の多様性に関する詳細な議論は要旨からは不明。

- 要旨で直接参照・比較されている個別研究は明示されていない。 - 関連手法として、computer-use agents（CUA）の学習、model context protocol services、command-line interfaces を用いたエージェント研究、open-source models による環境・タスク合成、execution-based quality gates を用いたタスク検証に関する研究を次に読むべき候補として挙げる。 - 公開コード（https://github.com/MSR-Orchard/WildAWM）および Qwen モデルを用いた学習手法の関連論文も参照候補。