规模化合成计算机用于长程生产力模拟

真实的长程生产力工作高度依赖用户特定的计算机环境，其中大量工作上下文通过目录结构和内容丰富的产物（artifact）存储与组织。为了为此类生产力场景扩展合成数据创建，我们提出Synthetic Computers at Scale，一种可扩展的方法，用于创建具有逼真文件夹层级和内容丰富产物（如文档、电子表格和演示文稿）的环境。以每台合成计算机为条件，我们运行长程模拟：一个agent创建专属于该计算机用户的生产力目标，这些目标需要多份专业交付物和约一个月的人类工作量；随后另一个agent扮演该用户，持续在这台计算机上工作——例如浏览文件系统以获取依据、与模拟协作者协调、产出专业产物——直到这些目标完成。在初步实验中，我们创建了1,000台合成计算机并在其上运行长程模拟；每次运行需要超过8小时的agent运行时间，平均跨越2,000多个回合。这些模拟产生丰富的经验学习信号，其在域内和域外生产力评估上agent性能的显著提升验证了这些信号的有效性。鉴于人物画像（persona）在十亿量级上十分充裕，只要有足够算力，该方法原则上可扩展到数百万乃至数十亿个合成用户世界，从而更广泛地覆盖多样的职业、角色、情境、环境和生产力需求。我们认为，可扩展的合成计算机创建与大规模模拟相结合，作为长程生产力场景中agent自我改进和agentic强化学习的基础底座极具前景。