Newest papers

Agent World Model in the Wild: Computer-Use Agent Environment Synthesis

Zhaoyang Wang, Qianhui Wu, Haorui Wang, Simon Yu, Baolin Peng, Canwen Xu, Hao Cheng, Wenlin Yao · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26828 · open-access PDF

French

L’apprentissage des agents passe de l’apprentissage des données humaines à l’apprentissage par l’interaction avec le monde. Cependant, l’échelle de cet apprentissage directement dans les systèmes informatiques du monde réel est difficile et peut présenter des risques de sécurité substantiels. C’est pourquoi nous proposons le modèle du monde des agents dans le monde sauvage (WildAWM), un pipeline évolutif pour la synthèse d’environnements contrôlables et de tâches pour la formation d’agents généraux d’utilisation de l’ordinateur (CUA). Alors que les approches existantes se spécialisent généralement dans une interface d’interaction d’agent unique, nous construisons des environnements exécutables qui supportent conjointement des interfac

Machine translation (Meta M2M100); the English original follows.

Abstract

Agent learning is shifting from learning from human data toward learning through interaction with the world. However, scaling such learning directly in real-world computer systems is challenging and can introduce substantial security risks. We therefore propose Agent World Model in the Wild (WildAWM), a scalable pipeline for synthesizing controllable environments and tasks for training general computer-use agents (CUAs). Whereas existing approaches typically specialize in a single agent interaction interface, we construct executable environments that jointly support graphical user interfaces,

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange