Zespół badawczy zaproponował EvoSyn - nowy framework do generowania danych treningowych dla agentów AI, który automatycznie dostosowuje się na podstawie obserwowanych słabości w uczeniu się. Problem, który rozwiązuje, to luka między obserwacją błędów agenta a decyzją o tym, jak zmienić proces generacji danych syntetycznych, aby te błędy zaadresować.
System EvoSyn zorganizowany jest wokół wieloagentowej architektury ze specjalizowanymi rolami. Designer odpowiada za alokację kierunków syntezy, Planner zamienia je w wykonywalne doświadczenia, a cały mechanizm na bieżąco aktualizuje specification tego, jakie faktory interakcji mogą być świadomie generowane. Podejście to umożliwia zarówno adaptację w obrębie obecnej przestrzeni generacji wobec słabych obszarów, jak i ekspansję samej przestrzeni syntezy poprzez promowanie nowo odkrytych czynników do explicite kontrolowanych generatorów.
Wyniki eksperymentów na benchmarkach tau2-Bench i CAR-Bench wykazały znaczną poprawę - EvoSyn uzyskał wzrost średniego sukcesu zadań o 13,3 punktu w porównaniu z najsilniejszą linią bazową syntezy danych. Dodatkowo system generował dane wyższej jakości i strukturalnie bardziej zróżnicowane, odkrywając nowe czynniki interakcji przydatne do trenowania agentów. To oznacza, że podejście feedback-driven do syntezy danych może zasadniczo zmienić sposób szkolenia zaawansowanych systemów AI.