DynaWeave: Learning to Adapt through Dynamic Scenario Synthesis

📄 arXiv: 2610.29443v1 📥 PDF

作者: Xuan Yang, Chunxiao Liu, Hongsheng Xin, Hao Xu, Ning Miao

分类: cs.CL

发布日期: 2026-10-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出DynaWeave以解决动态环境中任务适应性不足的问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态场景合成 任务适应性 大型语言模型 自动化框架 智能代理

📋 核心要点

  1. 现有的训练环境大多静态，无法有效模拟真实环境中的动态变化，导致代理适应性不足。
  2. DynaWeave通过自动化合成动态场景，生成与任务相关的外部事件，增强了代理在变化环境中的适应能力。
  3. 在多个实验中，DynaWeave显著提高了任务完成率，尤其在CostBench上提升了67.34个百分点，超越了其他基线模型。

📝 摘要（中文）

大型语言模型（LLM）代理越来越多地使用工具在状态环境中完成任务。然而，许多训练环境仍然相对静态，除了代理自身行为引起的变化外，外部事件可能会使正在进行的计划失效。为了解决这一问题，本文提出了DynaWeave，一个自动化合成框架，将现有静态任务转化为可验证的动态场景。该框架生成与每个任务相关的外部事件，涵盖任务需求、环境状态和外部信息的变化。通过在代理交互过程中激活这些事件，DynaWeave实现了动态场景合成，支持代理适应变化的环境。实验结果表明，DynaWeave在多个模型上均取得了显著的性能提升。

🔬 方法详解

问题定义：本文旨在解决现有训练环境静态性导致的代理适应性不足的问题。传统方法未能有效模拟真实环境中的动态变化，限制了代理的学习能力。

核心思路：DynaWeave的核心思路是通过自动化合成动态场景，生成与任务相关的外部事件，从而使代理能够在变化的环境中进行有效学习和适应。

技术框架：DynaWeave的整体架构包括事件生成模块、依赖关系表示（使用有向无环图DAG）、执行引擎和动态验证器。事件生成模块负责生成与任务相关的外部事件，执行引擎在代理交互时激活这些事件，而动态验证器则根据实际发生的事件修订评估检查。

关键创新：DynaWeave的主要创新在于其动态场景合成能力，能够根据任务需求和环境变化生成外部事件，这与传统静态训练方法形成鲜明对比。

关键设计：在设计中，DynaWeave使用有向无环图（DAG）来表示事件之间的依赖关系，确保事件的合理激活顺序。同时，动态验证器仅修订受影响的评估检查，保留其他检查，提升了验证效率。

🖼️ 关键图片

fig_0

📊 实验亮点

DynaWeave在实验中表现出色，尤其在CostBench上任务完成率提高了67.34个百分点，且在ToolMaze中超越了Gemini-3.1-Pro-Preview模型。这些结果表明，动态场景合成是训练代理适应变化环境的有效方法。

🎯 应用场景

DynaWeave的研究成果在多个领域具有广泛的应用潜力，包括智能机器人、自动化客服、游戏AI等。通过增强代理在动态环境中的适应能力，DynaWeave可以提升这些系统的智能水平和用户体验，推动相关技术的进一步发展。

📄 摘要（原文）

Large language model (LLM) agents increasingly use tools to complete tasks in stateful environments. However, many training environments remain largely static apart from changes caused by the agent's own actions, whereas external events introduced by other users, services, or sudden contingencies in real environments can invalidate ongoing plans. To address this gap, we introduce DynaWeave, an automated synthesis framework that transforms existing static tasks into verifiable dynamic scenarios. The framework generates exogenous events relevant to each task, covering changes in task requirements, environment state, and external information. It uses directed acyclic graphs (DAGs) to represent dependencies between events and an execution engine to activate them during agent interaction. A dynamic verifier revises only the evaluation checks affected by events that actually occur and retains all other checks. Using DynaWeave, we collect 2,095 verified interaction trajectories across 36 environments and use them for supervised fine-tuning of Qwen3.5 models. Experiments on Gaia2, CostBench, and ToolMaze show that DynaWeave achieves consistent improvements in overall performance across all three evaluated model sizes, increasing the task completion rate on CostBench by 67.34 percentage points and even exceeding the performance of Gemini-3.1-Pro-Preview on ToolMaze. These results support dynamic scenario synthesis as a practical approach to training agents to adapt to changing environments. Our code is available at https://github.com/Miaow-Lab/DynaWeave.