Исследователи представили AgenticAI-Supervisor — платформу для обучения ИИ-агентов в симуляциях
По мере того как большие языковые модели (LLM) превращаются в автономных агентов, традиционные статические методы оценки перестают справляться с многошаговыми процессами принятия решений. Для решения этой проблемы исследователи из arXiv (препринт 2607.05773) предложили платформу AgenticAI-Supervisor — API- и UI-ориентированную среду на основе RL Gym, которая отделяет создание среды от её масштабируемого выполнения.
Ключевая идея платформы — переход к проверяемым результатам выполнения. Благодаря этому AgenticAI-Supervisor генерирует высокодостоверные трассы действий агента и применяет многомерное формирование вознаграждения (reward shaping). Как отмечают авторы, критически важной особенностью является защита от эксплойтов вознаграждений (reward hacking) — система проводит строгую валидацию внутреннего состояния и тестирование.
В рамках демонстрации возможностей был реализован кейс агента поддержки клиентов (Customer Support Agent). Он показал стабильную замкнутую обратную связь для оптимизации модели, что подтверждает применимость подхода для практических задач.
Разработчики планируют расширять функционал. В будущих версиях появятся модули Computer Use (взаимодействие с графическим интерфейсом), Tool Use (использование внешних инструментов), автоматизированное «запутывание» агента и генерация пограничных случаев (edge cases).
Платформа доступна исследователям для тестирования и доработки. Публикация на arXiv предлагает первый взгляд на её ядро, а дальнейшие релизы обещают сделать обучение агентов более масштабируемым и устойчивым к нештатным ситуациям.
