🛠️ 「成功した軌跡」を集めるだけでは、ツール利用エージェントは強くならないかもしれません。 タイトル: Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents URL: 成功軌跡ではなく「学習できる経験」を意図的に作ってSFTする、ツール利用エージェントの学習データ合成手法です。注目ポイントは3つです。 🧩 注目ポイント1: 依存関係を狙って合成する 検索・エラー・リトライ・確認・更新といった依存連鎖が、データに繰り返し含まれているかを重視します。足りないパスを次の合成ラウンドで補います。実際、既存の候補プールでは、本物のエラーの後の意思決定を含む軌跡は10.0%しかありませんでした。 🎯 注目ポイント2: エージェントに見える根拠のある行動だけを学習 教師ポリシーしか知らないIDのような「見えない情報」に頼った行動は学習から外します。失敗した呼び出しやエラーはコンテキストに残しつつ、模倣はしません。 ⚖️ 注目ポイント3: 軌跡単位で重みを揃えるSFT 長い軌跡ほど学習例が増えて重みが偏るのを避けるため、軌跡内で平均してから軌跡間で平均します。アブレーションでは+8.04ポイントと最大の単独効果でした。 📊 Qwen3の5規模で、Tau1・Tau2・BFCLの平均が16.9〜29.8ポイント向上しました。学習後の4BがTau2で69.17と、30B-A3B初期モデルの28.33を上回っています。 💡 データの量より、依存関係と根拠の質を管理する発想が重要だと示しています。 #AIエージェント# #LLM#