Paper page - OpenThoughts-Agent: 用于智能体模型的数据配方

来源：https://huggingface.co/papers/2606.24855 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

本文提出了一种用于训练智能体语言模型的开源数据策划管道，通过系统实验和可扩展训练数据展示了优越性能。

智能体语言模型（https://huggingface.co/papers?q=Agentic%20language%20models）极大地拓展了AI的应用范围，但关于如何为通用型智能体策划训练数据（https://huggingface.co/papers?q=training%20data），目前公开所知甚少。现有的开源工作如SWE-Smith、SERA和Nemotron-Terminal通常仅针对单一基准，未能解决如何训练模型以泛化到多样化智能体任务的问题。OpenThoughts-Agent（OT-Agent）项目通过一个完全开放的数据策划管道（https://huggingface.co/papers?q=data%20curation%20pipeline）填补了这一空白，用于训练智能体模型。我们进行了超过100项受控消融实验（https://huggingface.co/papers?q=controlled%20ablation%20experiments），系统性地研究了管道的每个阶段，得出了关于任务来源和多样性的重要见解。随后，我们从管道中组装了一个包含10万条样本的训练集，并在该数据集上微调（https://huggingface.co/papers?q=fine-tune）Qwen3-32B模型，在七个智能体基准（https://huggingface.co/papers?q=benchmarks）上取得了44.8%的平均准确率，比现有最强的开源数据智能体模型（Nemotron-Terminal-32B，40.9%）高出3.9个百分点。此外，我们的训练数据（https://huggingface.co/papers?q=training%20data）展现出强大的缩放特性（https://huggingface.co/papers?q=scaling%20properties），在计算量受控的比较中，无论训练集大小如何，均优于其他开源数据集。我们已在openthoughts.ai上公开发布了训练集、数据管道、实验数据和模型，以支持未来关于智能体模型训练的开源研究。

查看 arXiv 页面 (https://arxiv.org/abs/2606.24855)查看 PDF (https://arxiv.org/pdf/2606.24855)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.24855)

在你的智能体中获取此论文：

hf papers read 2606.24855

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

暂无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.24855 以从本页链接到它。

引用此论文的数据集0

暂无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.24855 以从本页链接到它。

引用此论文的 Spaces0

暂无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.24855 以从本页链接到它。

包含此论文的收藏集0

暂无收藏集包含此论文

请将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页链接到它。