NVIDIA Skill2Env: 3,400のエージェントスキルからRLトレーニング、ターミナルベンチマークで4.7%向上

NVIDIAの研究者らは、3,400の公開エージェントスキルを自動テストとルーブリック付きの8,000のターミナルタスクにまとめた。GRPO RLのわずか300ステップを用いて、Qwen3.8-27BはTerminal-Bench 2.1で4.7ポイント向上した。データパイプラインは計画、多様化、作成、検証の各段階からなり、API計算コストは約9万ドル。

NVIDIAの研究者らは、3,400の公開エージェントスキルを自動テストとルーブリック付きの8,000のターミナルタスクにまとめた。GRPO RLのわずか300ステップを用いて、Qwen3.8-27BはTerminal-Bench 2.1で4.7ポイント向上した。データパイプラインは計画、多様化、作成、検証の各段階からなり、API計算コストは約9万ドル。