ComputerRL：コンピュータ利用エージェント向けエンドツーエンドオンライン強化学習のスケーリング

本稿では、エージェントが複雑なデジタルワークスペースを洗練された形で操作できる自律型デスクトップインテリジェンスフレームワーク「ComputerRL」を紹介する。ComputerRLは、プログラム的なAPI呼び出しと直接的なGUI操作を統合する「API-GUIパラダイム」を特徴としており、機械エージェントと人間中心のデスクトップ環境との間にある本質的な不整合を解決する。多様なデスクトップタスクにおける性能向上と汎化能力の向上には、エンドツーエンドの強化学習（RL）訓練のスケーリングが不可欠であるが、長期間にわたる訓練における環境の非効率性と不安定性のため、実現は依然として困難である。これを克服し、スケーラブルかつ堅牢な訓練を実現するため、数千もの並列な仮想デスクトップ環境を統合制御可能な分散型RLインフラを構築した。さらに、強化学習と教師あり微調整を交互に実行する「Entropulse」という訓練戦略を提案し、長期間の訓練において生じるエントロピーの崩壊を効果的に抑制した。本研究では、オープンモデルとしてGLM-4-9B-0414およびQwen2.5-14Bを用い、OSWorldベンチマーク上で評価を行った。GLM-4-9B-0414を基盤とするAutoGLM-OS-9Bは、48.1%という新たな最優秀精度を達成し、デスクトップ自動化における汎用エージェントの性能向上を実証した。本アルゴリズムおよびフレームワークは、AutoGLM（Liuら、2024a）の構築に採用されている。