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

Indonesian

Pembelajaran agen bergerak dari belajar dari data manusia ke belajar melalui interaksi dengan dunia. Namun, skala pembelajaran seperti itu langsung dalam sistem komputer dunia nyata adalah tantangan dan dapat memperkenalkan risiko keamanan yang substansial. Oleh karena itu, kami mengusulkan Model Dunia Agen di Wild (WildAWM), pipa yang dapat diukur untuk mensintesis lingkungan yang dapat dikendalikan dan tugas untuk pelatihan agen penggunaan komputer umum (CUA). Sementara pendekatan yang ada biasanya mengkhususkan diri dalam antarmuka interaksi agen tunggal, kami membangun lingkungan yang dapat dijalankan yang secara bersama-sama mendukung antarmuka pengguna grafis,

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