Il framework di sintesi ricorsiva genera 37.484 compiti per agenti terminali a 0,05 $ ciascuno

Un recente articolo pubblicato su arXiv (2608.05466) presenta Recursive Synthetic Terminal Tasks (RST), un framework progettato per la creazione scalabile di compiti per agenti terminali a lungo orizzonte attraverso la sintesi ricorsiva verificata. Questo approccio affronta la significativa spesa associata alla generazione di dati di addestramento di alta qualità per agenti terminali a lungo orizzonte, che può variare da centinaia a migliaia di dollari per compito a causa della necessità di coerenza tra istruzione, ambiente, soluzione di riferimento e verificatore. La paternità umana non è scalabile e l'uso diretto di modelli linguistici di grandi dimensioni (LLM) spesso interrompe queste dipendenze. RST inizia con compiti seed verificati, migliora la soluzione di riferimento, adatta il verificatore e l'istruzione al nuovo processo, testa il risultato in un nuovo sandbox e utilizza i compiti accettati come seed per iterazioni future. In quindici round ricorsivi, RST ha generato 37.484 compiti sintetizzati per agenti terminali a circa 0,05 $ ciascuno, con una complessità dei compiti significativamente aumentata nel corso dei round e una lunghezza mediana della soluzione di riferimento in espansione. Gli autori di questo articolo sono ricercatori ed è stato categorizzato come 'nuovo' al momento dell'annuncio su arXiv. Questa ricerca è pertinente all'IA e all'apprendimento automatico, specialmente nella generazione di dati sintetici per l'addestramento di agenti.