LOGIGEN: Logikbasierte Generierung überprüfbarer Agentenaufgaben

Die rasante Weiterentwicklung von Large Language Models (LLMs) von reinen Befehlsbefolgern zu autonomen Agenten erfordert die Arbeit in komplexen, zustandsabhängigen Umgebungen. Ein entscheidendes Hindernis ist jedoch die knappe Verfügbarkeit von Daten, die die strenge Logik realer Anwendungen widerspiegeln. Mit LOGIGEN wird dieses Problem angegangen: ein logikgetriebenes Framework, das überprüfbare Trainingsdaten erzeugt und dabei drei zentrale Säulen nutzt.

LOGIGEN kombiniert Hard‑Compiled Policy Grounding, Logic‑Driven Forward Synthesis und Deterministic State Verification. Durch eine Triple‑Agent‑Orchestrierung – der Architect, der natürliche Sprachrichtlinien in Datenbankbeschränkungen übersetzt, der Set Designer, der Randzustände erzeugt, um kritische Konflikte zu provozieren, und der Explorer, der nach kausalen Lösungswegen sucht – entsteht ein Datensatz von 20.000 komplexen Aufgaben in acht Domänen. Die Gültigkeit jeder Aufgabe wird strikt durch exakte Zustandsgleichheit garantiert.

Das Framework unterstützt einen verifizierungsbasierten Trainingsablauf: Supervised Fine‑Tuning (SFT) auf überprüfbaren Pfaden stellt die Einhaltung der hart kompilierten Richtlinien sicher, während Reinforcement Learning (RL) mit dichten Zustandsbelohnungen die Erreichung langfristiger Ziele verfeinert. Auf dem Benchmark τ²‑Bench erzielt LOGIGEN‑32B(RL) mit 79,5 % Erfolgsrate deutlich bessere Ergebnisse als das Basismodell, das lediglich 40,7 % erreichte. Diese Fortschritte markieren einen wichtigen Schritt hin zu zuverlässigeren, logikgestützten Agenten in realen Anwendungen.