智客 ZICQ
EN 登录 / 注册
智客前沿 智能体 #Hugging Face #WEFT #智能体 #后训练 #AI框架

Hugging Face发布WEFT框架:革新工具使用后训练方法

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间:

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:Hugging Face推出了一种名为WEFT(Whole-system Evolution For Tool-use Post-training)的新框架,旨在通过构建可扩展的智能体交互系统、执行驱动的自进化和稳定的后训练过程,提升模型在复杂任务中的表现。WEFT通过跨环境广度、任务复杂性和交互多样性的扩展,结合执行跟踪和状态证据的迭代优化,显著提升了模型性能。实验结果表明,WEFT在多个基准测试中均优于现有的环境扩展基线方法,尤其在长时工作流任务中表现突出,为智能体交互系统的后训练提供了新的技术路径。


核心突破

Hugging Face近日发布了一种名为WEFT(Whole-system Evolution For Tool-use Post-training)的新框架,旨在解决当前工具使用后训练方法中的关键瓶颈。传统方法主要关注可执行环境的合成,但这种孤立扩展环境的方法无法保证模型性能的显著提升,因为可靠的学习信号依赖于智能体交互系统中所有组件的协调互动。

技术亮点

  1. 可扩展的智能体交互系统构建:WEFT通过跨环境广度、任务复杂性和交互多样性的扩展,构建了一个全面的智能体交互系统。
  2. 执行驱动的自进化:利用执行跟踪和状态证据,WEFT能够迭代地归因失败并修订相关组件,通过新鲜的执行来评估变化并为后续进化提供证据。
  3. 稳定的后训练过程:WEFT通过前缀保留采样和原子轮次信用分配技术,确保了优化和执行可靠性,同时通过MegaMCP在共享工具服务上保持隔离、可恢复的状态。

实验结果

在BFCL V4、τ^2-Bench和Claw-Eval等多个基准测试中,WEFT-8B和WEFT-14B均优于所有评估的同等规模环境扩展基线方法。特别是WEFT-14B在Agent-World-14B的基础上提升了6.41、2.23和12.27个百分点。WEFT-35B-A3B进一步将这种优势扩展到更具挑战性的长时工作流基准测试中,如Toolathlon-Verified和AutomationBench。

行业影响

WEFT框架的发布标志着智能体交互系统后训练方法的一次重大进步。它不仅提升了模型在复杂任务中的表现,还为开发者提供了一种更高效、更可靠的后训练工具。WEFT的应用范围广泛,包括机器人控制、自动化流程和智能助手等领域,为AI技术的实际应用带来了新的可能性。

开发者建议

  • 探索WEFT的应用场景:开发者可以尝试将WEFT应用于不同的智能体交互系统中,以评估其性能提升效果。
  • 关注后续更新:Hugging Face可能会发布更多关于WEFT的更新和优化,开发者应持续关注相关动态。
  • 参与社区讨论:加入Hugging Face社区,与其他开发者交流WEFT的使用经验和最佳实践。

消息来源:Hugging Face Daily Papers (2026-09-29)

—— 完 ——

主题标签: #Hugging Face #WEFT #智能体 #后训练 #AI框架

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…