Interlock: From Local Correctness to Task Completion in Long-Horizon Agents
作者: Linji Hao, Yanji He, Zihan Wang, Hansi Yang, Jiayuan Zhang, Hongyan Hao, Qi Gu, Yan Feng, Han Wu
分类: cs.CL, cs.AI
发布日期: 2026-10-14
💡 一句话要点
提出Interlock框架以解决长时间任务完成问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 长时间任务 任务完成 大型语言模型 复杂环境 任务图 自动化代理 训练效用
📋 核心要点
- 现有长时间任务代理在处理复杂环境时，常常无法维护任务间的关系，导致结果不完整。
- 本文提出Interlock框架，通过类型化完成图来表示任务，确保任务间的关系得到维护。
- 实验表明，经过微调的模型在AutomationBench和JobBench等基准测试中的通过率显著提升，验证了方法的有效性。
📝 摘要（中文）
随着大型语言模型代理在复杂环境中执行长时间任务的能力提升，现有代理往往满足个别要求但未能维护环境证据、决策和效果之间的关系，导致局部正确但不完整的结果。为了解决这一完成差距，本文提出了Interlock框架，将每个任务表示为一个类型化的完成图。该框架通过连接公共证据与决策的边、施加组件间联合约束的超边，以及将决策与所有下游效果连接的实现边来构建任务图。Interlock还编译出可重置的工作区、公共请求和评估标准，确保生成的结果满足原始要求。实验结果表明，经过微调的Qwen3.6模型在多个基准测试中的表现显著提升，验证了合成经验的训练效用。
🔬 方法详解
问题定义：本文旨在解决现有长时间任务代理在复杂环境中无法维护任务间关系的问题，导致局部正确但整体不完整的结果。
核心思路：提出Interlock框架，通过将任务表示为类型化的完成图，确保环境证据、决策和效果之间的关系得到维护，从而实现任务的完整性。
技术框架：Interlock框架包括三个主要模块：任务图的构建、生成结果的检查和执行结果的验证。任务图通过连接公共证据、施加联合约束和连接下游效果来构建。
关键创新：最重要的创新在于将任务表示为完成图，并通过多种边的设计确保任务间的关系得到维护，这与现有方法的局部处理方式形成鲜明对比。
关键设计：框架中设计了源覆盖审查和公共输入审查，以确保生成的结果满足原始要求，并通过代理作为评判者来检查执行结果，保留满足所有强制要求的轨迹。
🖼️ 关键图片
📊 实验亮点
实验结果显示，经过微调的Qwen3.6模型在AutomationBench任务通过率上提升了4.00-4.50个百分点，JobBench加权得分提升了3.20-6.64分，Harvey LAB标准通过率提升了3.89-4.16个百分点，验证了合成经验的训练效用。
🎯 应用场景
该研究的潜在应用领域包括智能代理、自动化任务执行和复杂系统管理等。通过确保任务的完整性，Interlock框架能够提升长时间任务的执行效率和准确性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Large language model agents increasingly undertake long-horizon tasks in complex environments characterized by fragmented evidence, partially completed states, and dependencies across resources and artifacts. Existing agents may satisfy individual requirements while failing to maintain these relationships, producing locally correct but incomplete outcomes. These failures arise because task completion depends on relationships among environmental evidence, consequential decisions, and required effects. To address this completion gap, we propose Interlock, a framework for task synthesis that represents each task as a typed completion graph. Grounding edges connect public evidence to decisions, coupling hyperedges impose joint constraints across components, and realization edges connect decisions to all required downstream effects. Interlock compiles this graph into a resettable workspace, a public request, and an evaluation rubric. A source-coverage review checks whether the original requirements survive generation, while a public-input review checks whether the rubric is supported by the materials available to the solver. An agent-as-judge inspects execution artifacts and runs verification scripts, retaining trajectories judged to satisfy all mandatory requirements. To evaluate training utility, we fine-tune two Qwen3.6 backbones on their own accepted trajectories. Across the two backbones, training improves AutomationBench task pass rates by 4.00-4.50 percentage points, JobBench weighted scores by 3.20-6.64 points, and Harvey LAB criterion pass rates by 3.89-4.16 percentage points. These results demonstrate the training utility of the synthesized experience across external task environments.