高度なエージェント型知能は、大規模言語モデルを実世界の実用的応用に導入するための前提条件である。多様な実世界のAPIは、正確かつ堅牢な関数呼び出し知能を要求しており、このような能力を獲得するためには、エージェントが多様な環境において相互作用を通じて学習する必要がある。関数呼び出しの能力の広がりは、エージェントが訓練される環境の多様性に密接に関連している。本研究では、汎用的エージェント型知能の進展を目指し、環境のスケーリングを一歩前進させる。これにより、以下の2つの中心的な課題が生じる：(i) 理論的根拠に基づいた環境のスケーリング方法の確立、および (ii) こうした環境との相互作用から得られる経験から、エージェント能力を効果的に学習する方法の開発。これらの課題に対処するため、我々はスケーラブルなフレームワークを設計した。このフレームワークは、完全にシミュレートされた多様な環境を自動的に構築し、関数呼び出しのシナリオ空間を体系的に拡大する。さらに、2段階のエージェントファインチューニング戦略を採用した：第一段階ではエージェントに基礎的なエージェント能力を付与し、第二段階で特定のドメインに特化した能力を習得させる。エージェントベンチマーク、tau-bench、tau2-Bench、ACEBenchにおける広範な実験の結果、本研究で訓練したモデル「AgentScaler」が、モデルの関数呼び出し能力を顕著に向上させることを示した。