Navalia：通过可验证任务合成与长程后训练推进协作式 Agent 发展

英文标题：Navalia: Advancing Cowork Agents through Verifiable Task Synthesis and Long-Horizon Post-Training

大语言模型（LLM）Agent 正在从传统对话助手演进为具备自主规划、工具调用及复杂任务执行能力的协作式智能体（Cowork Agents）。该研究提出了 Navalia 框架，重点聚焦金融分析等要求跨文档证据整合与长流程推理的严苛任务场景。通过可验证的任务合成（Verifiable Task Synthesis）与长程后训练（Long-Horizon Post-Training），Navalia 显著增强了智能体在复杂专业工作流中的可靠性与执行上限。这一探索为构建高可靠性自主工作伙伴提供了新范式，对推动 Agent 在金融科技与企业级复杂任务落地具有重要参考价值。

打开原文相关 7.2 · 机会 2

中文

Navalia：通过可验证任务合成与长程后训练推进协作式 Agent 发展

论文编号：arXiv:2610.26887v1
公告类型：new

摘要

大语言模型（LLM）Agent 正在从对话助手演进为具备自主规划、工具使用和复杂任务执行能力的协作式智能体（Cowork Agents）。在金融分析等专业场景中，这些智能体需要整合跨文档证据并执行高难度、多步骤的专业分析任务。针对这一挑战，本研究提出了 Navalia 框架，依托可验证的任务合成方法与面向长时程任务的后训练机制，全面提升 Cowork Agent 处理长周期、高可靠性专业任务的能力。

Navalia：通过可验证任务合成与长程后训练推进协作式 Agent 发展

中文

Navalia：通过可验证任务合成与长程后训练推进协作式 Agent 发展

摘要

BibTeX 引用格式

English / 原文

BibTeX formatted citation