WildAWM, 실행 가능한 합성 세계로 범용 컴퓨터 사용 에이전트 훈련

들어가며

범용 컴퓨터 사용 에이전트는 버튼을 클릭하거나 API를 호출하는 것만으로 충분하지 않습니다. 에이전트는 상태를 기억하고, 여러 인터페이스 중 적절한 수단을 선택하며, 중간 오류를 복구하면서 긴 작업을 끝까지 수행해야 합니다. 실제 컴퓨터 시스템에서 이런 경험을 대규모로 수집하면 비용과 함께 개인정보, 권한, 보안 문제가 발생할 수 있습니다. WildAWM은 실행 가능한 합성 세계와의 상호작용으로 이 문제를 해결하려는 접근입니다.

핵심 내용

• 여러 인터페이스를 하나의 세계에 통합. 생성되는 환경은 페르소나를 바탕으로 하고 여러 날에 걸쳐 상태가 변하는 개인용 컴퓨터입니다. 웹사이트, MCP 서비스, 로컬 파일이 같은 상태를 공유하므로 에이전트는 한 과제 안에서 GUI 조작, 도구 호출, 명령줄 실행을 조합할 수 있습니다.
• 오픈소스 모델 중심의 생성 파이프라인. WildAWM은 전체 파이프라인을 오픈소스 모델로 구성했습니다. 독점적인 최전선 모델에 의존하지 않고도 대규모 상호작용 훈련 환경을 만들 수 있는 가능성을 제시한다는 점에서 재현성과 접근성 측면의 의미가 있습니다.
• 실행 기반 품질 관리. 합성 과제는 해결 자체가 불가능하거나, 지나치게 쉽거나, 실패를 성공으로 판정하는 문제가 생길 수 있습니다. WildAWM은 서로 다른 에이전트의 실제 롤아웃, 여러 판정기의 일관성 검사, 조건을 바꿔 판정의 견고성을 확인하는 반사실 탐색을 결합합니다.
• 장기 계획 능력 평가. 공개된 환경-과제 쌍은 341개입니다. 일부 과제는 100단계를 넘는 에이전트 행동을 요구하며, 자료에 따르면 GPT-6-Astra의 해결률도 약 60%에 그쳤습니다. 따라서 단순한 화면 조작보다 계획, 상태 추적, 오류 복구가 중요한 구성입니다.
• 미지의 과제로 성능 전이. 서로 다른 규모의 Qwen 모델을 WildAWM 합성 세계에서만 학습한 뒤, 웹, claw, 컴퓨터 사용 에이전트를 아우르는 8개 분포 외 벤치마크에서 평가했습니다. 평균 향상 폭은 Qwen3.6-35B-A3B가 10.58포인트, Qwen3.5-4B가 8.21포인트로 보고됐습니다.

의미와 한계

WildAWM의 핵심은 환경 생성, 과제 합성, 실제 실행, 결과 검증을 하나의 순환 구조로 묶었다는 데 있습니다. 실제 애플리케이션을 직접 조작하는 대신 통제 가능한 세계를 사용하면 에이전트가 안전하게 실패하고, 행동 궤적을 재현하며, 과제 난도를 조정할 수 있습니다. 파일과 웹사이트, 도구, 명령줄이 서로 영향을 주는 상태를 만들 수 있다는 점도 단일 웹 과제보다 실제 자동화에 가깝습니다.

이번 결과는 모델 규모만 키우는 것보다 상호작용 데이터의 구조와 품질이 중요할 수 있음을 시사합니다. 상태 공유와 긴 행동 연쇄는 에이전트에 기억, 계획, 도구 선택, 오류 복구를 요구합니다. 그러나 합성 세계가 실제 소프트웨어 환경의 예외와 예측 불가능성을 모두 담아내기는 어렵습니다. 독립적인 평가에서 효과가 얼마나 유지되는지, 생성된 시나리오가 현실의 다양한 작업을 얼마나 폭넓게 포괄하는지는 추가 검증이 필요합니다. WildAWM은 범용 컴퓨터 사용 문제의 최종 해답이라기보다 확장 가능한 훈련 기반으로 보는 편이 정확합니다.

출처: Hugging Face Daily Papers