Yihao Hu, Zhihao Wen, Yitong Lin, Siyuan Lu, Pan Wang, Wei Wu, Jiang-Ming Yang e Tao Lin argumentam, no paper Trajectory2Gym, que uma trajetória bem-sucedida não é automaticamente supervisão útil. O que a política aprende depende das dependências entre observação e ação que a interação exercita.
Depende também da possibilidade de cada ação imitada ser justificada pelo histórico visível ao agente no momento da decisão.
O método sintetiza interações executáveis em ambientes nativos. Certifica alvos de treino só quando há fundamentação visível.
E redistribui essa experiência por escala de modelo.
Segundo os autores, o resultado são ganhos de 16,9 a 29,8 pontos percentuais na média de Tau1, Tau2 e BFCL em cinco modelos Qwen3, de 1,7B a 30B parâmetros.
O que os autores propõem
A proposta é reenquadrar a geração de trajetórias. Em vez de coletar episódios bem-sucedidos e tratá-los como unidades imitáveis, o trabalho constrói deliberadamente experiência de interação aprendível.
Para isso, formaliza dois requisitos acoplados: cobertura composicional e fundamentação da decisão (decision grounding). Os dois viram um pipeline de três estágios.
O primeiro estágio, síntese composicional de interações, gera e executa tarefas em torno de caminhos de interação sub-representados. O segundo, supervisão fundamentada, converte o log executado em um contexto de estudante e em um conjunto de alvos certificados.
Descarta como alvo qualquer ação que dependa de informação privada do coletor.
O terceiro, aprendizado com suporte estrutural, decide com que frequência cada estrutura certificada entra no treino e como os exemplos derivados dela são ponderados. Usa SFT normalizado pelo pai (parent-normalized SFT).
A tese central é explícita: o que uma trajetória ensina não é decidido pelo seu desfecho. É decidido pelas dependências que ela realiza e pelas decisões que seu histórico visível consegue justificar.
Contexto: qual problema está sendo atacado
O artigo parte de um cenário concreto de atendimento: cancelar dois pedidos e alterar um terceiro. Cada chamada de ferramenta é simples.
O difícil é a composição.
Uma busca por e-mail falha. O agente pede nome e CEP, tenta de novo, lê cada pedido para verificar se está pendente, confirma com o usuário e só então cancela e troca itens usando identificadores devolvidos pelo catálogo.
Os autores apontam que pipelines recentes filtram trajetórias por conclusão de tarefa ou por execução bem-sucedida de cada chamada. Citam evidência de que o ajuste fino direto sobre trajetórias registradas pode até ficar abaixo da inicialização (Wu et al., 2026a).
Sucesso certifica que um episódio terminou bem, não o que ele ensina.
Duas lacunas são quantificadas em um pool de 34.772 candidatos certificados. 40,9% contêm no máximo duas decisões supervisionadas.
Apenas 10,0% contêm alguma decisão certificada depois de um erro autêntico. Recuperação de erro e descoberta de informação são raras no dado disponível.
O segundo problema é mais sutil. Um coletor pode usar um identificador que nunca apareceu para o agente, e a API aceita a chamada.
No exemplo do artigo, uma troca antiga de dois itens é aceita tão bem quanto a troca apenas do abajur que o usuário pediu depois. Execução válida não é o mesmo que decisão fundamentada.
Como funciona
A síntese composicional usa um vocabulário compartilhado de capacidades. Cobre ações semânticas e argumentos, desfechos de observação, recuperação, ramificação, handoff, terminação e horizonte.
Ferramentas e observações nativas são mapeadas para esses papéis, de modo que um mesmo caminho possa ser sustentado por backends diferentes.
Um gerador constrói a requisição e o estado inicial compatíveis com o caminho-alvo. Um professor executa a tarefa no ambiente nativo.
Cada trajetória recebe um caminho canônico para contabilização de suporte.
O método prioriza caminhos cujo suporte esteja abaixo do alvo definido para aquela escala. A justificativa é estatística: selecionar uniformemente entre candidatos tende a perder um caminho representado uma única vez.
A construção estabelece entidades, pré-requisitos e fontes de informação que cada caminho exige. Amarra os valores necessários a fontes visíveis: a requisição, uma troca com o usuário ou um resultado de ferramenta.
Só valores assim podem virar alvos fundamentados.
A execução nativa fornece observações, mudanças de estado e rejeições autênticas. Orientações do professor ficam fora do trace do estudante.
Um caminho só é certificado se suas dependências de ação e observação aparecem no log executado. Erro do gerador ou do professor vira estrutura não certificada, não alvo de treino.
Na supervisão fundamentada, o contexto de decisão contém apenas eventos expostos pela interface nativa do agente. O log completo serve para certificação, mas dicas de professor e eventos privados nunca entram no contexto do estudante.
A elegibilidade local distingue validade de execução de fundamentação no momento da decisão. Para uma chamada de ferramenta, exige-se execução autenticada sem erro, ou validação nativa apenas de ação.
Exige-se que a ferramenta esteja disponível. Exige-se que argumentos do tipo identificador sejam sustentados por informação visível anterior.
Ferramentas descobríveis precisam primeiro aparecer em um resultado de recuperação visível.
Uma chamada rejeitada e seu erro autêntico permanecem como contexto visível, sem perda de imitação. A recuperação fundamentada que vem depois se torna alvo.
A máscara de supervisão combina sucesso terminal nativo, requisitos ordenados da tarefa e a sequência canônica de operações relevantes. Preserva papéis, argumentos e ordem via inclusão de subsequência ordenada.
O aprendizado com suporte estrutural seleciona trajetórias para cobrir caminhos de capacidade em uma profundidade de suporte por escala. A SFT normalizada pelo pai mantém a interação semântica como unidade de peso do treinamento.
Resultados reportados
Segundo os autores, com SFT simples a partir de cada inicialização pública, o Trajectory2Gym melhora Tau1, Tau2 e BFCL em todos os cinco tamanhos de Qwen3 testados, de 1,7B a 30B. A média de pesos iguais dos três benchmarks sobe entre 16,9 e 29,8 pontos percentuais.
Os ganhos seriam mais fortes em interação com estado e multi-turno, onde decisões posteriores dependem de observações e feedback anteriores.
Dois números chamam atenção. O modelo de 4B pós-treinado superaria a inicialização pública de 30B-A3B no Tau2: 69,17 contra 28,33.
Na comparação com checkpoints públicos de treinamento de agentes usados como referência, não como controles pareados, o modelo de 8B teria a maior média nos três benchmarks.
O artigo também relata comparações controladas de cada estágio. Síntese sem fundamentação ensinaria os atalhos do coletor.
Fundamentação sem síntese certificaria um pool onde recuperação e descoberta continuam raras. Seleção sem ambos apenas reponderaria esse pool.
Limitações e o que não foi provado
O escopo experimental é estreito em família de modelos: cinco escalas Qwen3, com benchmarks Tau1, Tau2 e BFCL. Não há, no material disponível, evidência de transferência para outras famílias ou para agentes multimodais e de GUI.
O próprio texto trata os checkpoints públicos de agentes como referências, e não como controles pareados. É uma ressalva importante para calibrar a comparação com o estado da arte.
A certificação de fundamentação depende de o harness registrar corretamente o que é visível ao estudante. Se a projeção do histórico estiver incompleta ou generosa demais, a máscara herda esse erro.
Decisões privadas podem passar como fundamentadas, ou recuperações legítimas podem ser descartadas.
Há também custo de engenharia não detalhado no extrato. Geração condicionada a caminhos, execução em ambientes nativos e rodadas iterativas de certificação são caras e específicas por domínio.
O trabalho é SFT sobre dados construídos. Não compara com métodos de aprendizado por reforço com recompensa de execução, citados no relacionado.
Não reporta, no material disponível, análise de variância entre sementes ou ablações de sensibilidade ao alvo de suporte por escala. As provas de propriedades ficam em apêndice, sem verificação independente.
Por que isso importa para quem constrói com IA
Para quem treina agentes de ferramentas, a mensagem prática é que curadoria de dados não é filtragem por sucesso. Vale instrumentar o ambiente para registrar o que o agente realmente vê.
Vale mascarar a perda em ações não justificadas pelo histórico visível. Vale manter erros autênticos como contexto, sem imitá-los.
E vale garantir que exemplos de recuperação existam em quantidade.
Amarrar argumentos a fontes visíveis, como requisição, fala do usuário e resultado de ferramenta, é uma checagem barata. Evita ensinar atalhos do coletor.
A ideia de alocar experiência por profundidade de suporte, por escala, também é transferível. Em vez de medir volume de trajetórias, medir cobertura de caminhos de interação.
A página do projeto, em yihaohu0118.GitHub.io/Trajectory2Gym-page, reúne material complementar. Os números são afirmação dos autores e pedem replicação independente antes de virarem prática padrão.
Referências
Hu, Y.; Wen, Z.; Lin, Y.; Lu, S.; Wang, P.; Wu, W.; Yang, J.-M.; Lin, T. Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents. arXiv:2610.33568, 2026. https://arxiv.org/abs/2610.33568
Página do projeto: https://yihaohu0118.github.io/Trajectory2Gym-page/
Trabalhos citados pelos autores no material: Yao et al. (2023, 2025); Schick et al.
(2023); Patil et al. (2024, 2025, BFCL); Qin et al.
(2024a, 2024b); Qu et al. (2025); Barres et al.
(2026); Liu et al. (2024c, 2025); Prabhakar et al.
(2025); Xu et al. (2025c); Wu et al.
(2026a); Zhao et al. (2026, FACA); Hu et al.
(2026, SEAL); Wang et al. (2026a, DARC); Yang et al.
(2026, TopoCurate); Ross et al. (2011); Chen et al.
(2020).
