Abstract

Das Lernen aus der Praxis-Paradigma ist entscheidend für die Entwicklung leistungsfähiger agenter KI-Systeme, wird jedoch durch ineffiziente Erlebnisgenerierung erheblich beeinträchtigt – ein Engpass, der sich insbesondere in anspruchsvollen Benchmarks wie GAIA stark auswirkt. Um diesem Problem zu begegnen, stellen wir AWorld vor, ein quelloffenes System, das speziell für großskalige Interaktionen zwischen Agenten und Umwelt konzipiert wurde. Durch die Verteilung von Aufgaben über einen Rechencluster beschleunigt AWorld die Erfahrungssammlung im Vergleich zur herkömmlichen, ein-knotenbasierten sequenziellen Ausführung um das 14,6-Fache. Dieser entscheidende Geschwindigkeitszuwachs macht umfangreiches Verstärkendes Lernen praktikabel und skalierbar. Auf Basis dieser Leistungsfähigkeit haben wir einen auf Qwen3-32B basierenden Agenten trainiert, der seine Basisversion deutlich übertrifft und die Gesamtgenauigkeit auf GAIA von 21,59 % auf 32,23 % steigert. Auf den anspruchsvollsten Stufen des Benchmarks erreicht unser Agent eine Bewertung von 16,33 % und übertrifft damit die Leistung führender proprietärer Modelle. Unser quelloffenes System und der daraus hervorgegangene Agent bieten eine praktikable Vorbildlösung für einen vollständigen Trainingspipeline-Workflow agenter KI – von effizienter Interaktion bis hin zu nachweisbarer Modellverbesserung.