MagicAgent: Neue Grundlage für generelle Agentenplanung

Die rasante Entwicklung von Large Language Models (LLMs) von reinen Textverarbeitern zu autonomen Agenten hat die Planung zu einem zentralen Bestandteil moderner KI gemacht. Trotz dieser Fortschritte bleibt die Erreichung einer wirklich generellen Planung bislang schwierig – nicht nur wegen der knappen Verfügbarkeit hochwertiger Interaktionsdaten, sondern auch wegen inhärenter Konflikte zwischen heterogenen Planungsaufgaben. Das Ergebnis: Modelle, die bei einzelnen Aufgaben glänzen, haben Schwierigkeiten, über diese Grenzen hinaus zu generalisieren, während bestehende Multi‑Task‑Ansätze unter Gradient‑Interferenzen leiden.

In der vorliegenden Arbeit wird MagicAgent vorgestellt, eine Reihe von Foundation‑Modellen, die speziell für die generelle Agentenplanung konzipiert wurden. Ein schlankes, skalierbares synthetisches Datenframework erzeugt hochwertige Trajektorien über ein breites Spektrum an Planungsaufgaben – von hierarchischer Aufgaben­zerlegung über tool‑augmentierte Planung bis hin zu mehr‑Kriterien‑Planung, prozeduraler Logik‑Orchestrierung und lang‑horizon‑Tool‑Ausführung.

Um Trainingskonflikte zu mildern, wird ein zweistufiges Paradigma vorgeschlagen: zunächst ein supervised fine‑tuning, gefolgt von multi‑objective Reinforcement Learning, das sowohl statische Datensätze als auch dynamische Umgebungen nutzt. Die Resultate sind beeindruckend: MagicAgent‑32B und MagicAgent‑30B‑A3B erzielen Auflösungen von 75,1 % bei Worfbench, 55,9 % bei NaturalPlan, 57,5 % bei τ²‑Bench, 86,9 % bei BFCL‑v3 und 81,2 % bei ACEBench – und liefern zudem starke Leistungen auf den internen MagicEval‑Benchmarks.

Diese Ergebnisse übertreffen deutlich bestehende Modelle unter 100 Billionen Parametern und markieren einen bedeutenden Fortschritt in der Entwicklung von Agenten, die in der Lage sind, komplexe Planungsaufgaben über verschiedene Domänen hinweg zu meistern.