知识卡片：工具使用智能体的可扩展性定律与可控环境合成

一句话结论

这篇（标题为 Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis 的）论文提出 SynthAPI 流程，通过可控地调节合成环境中工具、任务与数据库的多样性，在大规模实验中推导出可预测工具使用智能体下游泛化能力的缩放定律；但正文未能抓取，具体方法与数值结论待核实。

事件概述或研究问题

研究问题：合成生成的工具使用环境中，数据构成（composition）如何影响 LLM 工具使用智能体的训练效果，以及能否据此建立可预测的缩放关系。据元数据，作者在 849 个模型（四种不同规模）、458,752 个任务上系统改变 SynthAPI 的生成控制参数，用以拟合缩放定律。论文的具体发表信息、实验设置细节待核实。

方法/产品要点

• 提出 SynthAPI 流程，显式控制生成环境在三个轴上的多样性：工具（tools）、任务（tasks）、工具所操作的数据库（databases）。
• 通过系统变化 SynthAPI 的生成控制参数，构建不同规模与构成的数据集并训练多规模模型。
• 基于上述实验推导缩放定律，用合成环境的规模与构成预测下游工具使用智能体的泛化表现。
• 上述要点来自元数据摘要，流程实现细节、基线设置与评测配置待核实。

主要结果或产业意义

据元数据摘要给出的结论（数值与图表待核实）：

• 随数据预算增长，扩大工具与数据库多样性比单纯增加任务数量更有效。
• 提高数据复杂度能带来更大收益。
• 按上述发现扩展数据后，所得智能体在四个评测基准上优于使用先前工作总结数据训练的模型。

为什么重要

若上述缩放关系成立，则工具使用智能体的数据工程可从“堆量”转向“调构成”：在预算增加时优先扩展工具与数据库覆盖、提升任务复杂度，而非线性增加任务条数。这与既有的工具调用数据合成工作（如 MidTool 的中间训练语料、ToolLoop 的闭环合成）形成互补——后者关注合成流程与训练阶段设计，本条关注数据构成与规模的可预测缩放关系（增量信息以元数据为限，待核实）。

局限与不确定性

• 未能抓取正文，所有方法细节、缩放定律的具体函数形式、四个评测基准名称与性能数字均待核实。
• 元数据未给出模型族、训练算力、数据规模区间等关键条件，缩放定律的外推边界待核实。
• arXiv 编号 2610.37648 与 2026-10 的时间标注需与官方页面核对。

可用于图书/PPT/简报的角度

• “数据构成也是缩放维度”：从数据量扩展到工具多样性、数据库多样性、任务复杂度的多维缩放叙事。
• 可控合成环境作为研究缩放定律的实验平台（可调轴、可复现）。
• 工具使用智能体数据策略的优先级排序：多样性 vs 数量 vs 复杂度。

与既有脉络的关系

与 MidTool（中间训练语料构建）、ToolLoop（闭环工具调用数据合成）同属“工具使用数据合成”脉络；本条若成立，其增量在于把问题从“如何合成”推进到“合成数据按什么比例与规模扩展”，给出可预测的缩放关系（待原文核实）。

原始材料

• 标题：Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis
• 来源：arXiv（Track: academic；Topics: foundation-model）
• URL: https://arxiv.org/abs/2610.37648v1
• 备注：正文抓取失败，本卡片仅基于元数据与摘要信息，标注“待核实”处需回原文确认。