inferwire
/
KI·2 Min. Lesezeit

Apples SynthAPI: Werkzeugvielfalt schlägt Aufgabenmenge

Apple-Forschende haben 849 Modelle mit 458.752 synthetischen Tool-Aufgaben trainiert: Mit wachsendem Datenbudget helfen neue Tools und Datenbanken Agenten mehr als zusätzliche Aufgaben.

TL;DR

  • Forschende von Apple haben SynthAPI gebaut, eine Pipeline, die Trainingsumgebungen für Tool-nutzende KI-Agenten erzeugt und dabei Tools, Aufgaben und die zugrunde liegenden Daten gezielt steuert [^1].
  • Über 849 trainierte Modelle hinweg zeigte sich: Bei größeren Datenbudgets bringt mehr Vielfalt bei Tools und Datenbanken mehr als zusätzliche Aufgaben [^1].

Hintergrund

Ein Tool-Use-Agent ist ein Sprachmodell, das mehrstufige Aufgaben erledigt, indem es Funktionen aufruft, etwa einen Datensatz abfragt, ändert und das Ergebnis prüft. Für das Training braucht es viele Beispiele realistischer mehrstufiger Interaktionen, und die sind in Internettexten selten [^1]. Deshalb lassen Forschende die Trainingsumgebungen von Sprachmodellen selbst erzeugen, doch die meisten Arbeiten zielen auf mehr Daten statt auf die Frage, welche Eigenschaften der Daten zählen [^1].

Was passiert ist

In einem Paper vom 27. Oktober 2026 stellen Andrew Szot und Kollegen bei Apple SynthAPI vor [^1]. Die Pipeline lässt Sprachmodelle Apps aus Python-Tools implementieren, die strukturierte Datenbanken lesen und verändern, und erzeugt dann Aufgaben samt Ausgangszuständen der Datenbank, von den Autoren Datenprofile genannt, sowie ausführbare Prüfungen, die den Erfolg verifizieren [^1]. Anders als frühere Generatoren bietet SynthAPI getrennte Regler für die Vielfalt von Tools, Aufgaben und Datenprofilen [^1].

Das Team variierte diese Regler über 458.752 Aufgaben, trainierte 849 Modelle in vier Größen und leitete daraus ein Skalierungsgesetz ab, das vorhersagt, wie gut ein Agent generalisiert, abhängig von Umfang und Zusammensetzung seiner Trainingsumgebungen [^1]. Die beste Mischung hängt von der Größenordnung ab: Mit wachsendem Budget wird mehr Werkzeugvielfalt wertvoller als zusätzliche Aufgaben mit denselben Tools, dieselben Aufgaben mit anderen Datenprofilen zu wiederholen schlägt neue Aufgaben, und komplexere Datenprofile zahlen sich stärker aus [^1]. Nach diesen Erkenntnissen trainierte Agenten schnitten auf vier Benchmarks besser ab als Modelle, die mit Daten aus früheren Arbeiten trainiert wurden [^1].

Warum es wichtig ist

Synthetische Daten werden zum wichtigsten Treibstoff für das Training von Agenten, und ihre Kosten wachsen mit der Menge, die man erzeugt. Ein Gesetz, das vorhersagt, welche Art von Daten hilft, erlaubt es Teams, ein festes Budget gezielt einzusetzen, statt einfach mehr Beispiele zu produzieren. Das Ergebnis widerspricht auch einem verbreiteten Reflex: Ein größerer Stapel Aufgaben über dieselben wenigen Tools ist bei großem Maßstab nicht der Hebel [^1].

Ein Beispiel aus der Praxis

Angenommen, ein Team trainiert einen Assistenten für ein internes Buchungssystem und kann sich 100.000 synthetische Aufgaben leisten. Nach den Ergebnissen von SynthAPI würde es sie nicht alle für Varianten von „Raum buchen“ mit denselben drei Tools ausgeben. Es würde Tools ergänzen, etwa Stornierungen, Rechnungen und Kalendersynchronisation, und bestehende Aufgaben gegen mehrere verschiedene Datenbankzustände laufen lassen, weil bei diesem Budget Vielfalt die Generalisierung verbessert [^1].

Passende Produkte

Wir empfehlen dieses Buch, weil das Verständnis von Systemarchitekturen und zuverlässigem API-Design essenziell ist, wenn du Software-Umgebungen entwickelst, mit denen KI-Agenten interagieren.

WerbungAmazon

Designing Data-Intensive Applications

Quellen

  1. [1]arXiv — Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis