대규모 언어 모델 에이전트는 빠르게 발전했지만, 도메인, 역량, 과제 난이도, 상호작용 설정 전반에 걸쳐 진전은 여전히 파편화되어 있다. 이를 전 시나리오 에이전트 스케일링으로 정의하고, To-Consumer(ToC), To-Business(ToB), To-Employee(ToE) 애플리케이션 전반에서 과제 공간 정의, 데이터 합성, 사후 학습, 평가, 개선을 조율하는 프레임워크인 AgentOmnia를 제안한다. 확장 가능한 Domain x Capability x Atomic Difficulty 분류체계가 이러한 단계들을 정렬하고 OmniaBench를 통한 세밀한 진단을 가능하게 한다. AgentOmnia는 양방향 환경-과제 합성을 도구 의존성, 프로그램 구조화, 솔버 기반 파이프라인과 결합하여 255,375개의 도구와 52,361개의 과제를 갖춘 5,018개의 상태 유지 환경을 구축한다. 프로그램, 솔버, 검증기가 정확성 신호를 제공하고, 지도 미세조정, 온라인 에이전트 강화학습, 롤백 커리큘럼이 사후 학습을 지원한다. 평가 실패는 표적화된 자기 진화를 위한 제품 요구사항 문서(PRD)로 변환된다. Qwen3-30B-A3B-Thinking-2507에서 출발하여, AgentOmnia는 OmniaBench 도전적 부분집합에서 통과율을 9.16%에서 37.11%로, OmniaBench, $τ^2$-Bench, DeepPlanning, VitaBench 전반의 거시 평균을 22.86%에서 41.69%로 높인다. 통일된 프로토콜 하에서 OmniaBench에서 평가된 에이전트 사후 학습 베이스라인을 선도하며 네 벤치마크 거시 평균 최고치를 유지한다. 또한 네 벤치마크 모두에서 Qwen3-235B-A22B-Thinking-2507을 능가하고 거시 평균에서 Qwen3.5-35B-A3B를 초과한다. 성능 향상은 세 가지 애플리케이션 분할, 열 가지 역량 차원, 여덟 가지 원자 난이도 요인, 90개 1급 도메인 중 76개에 걸쳐 나타나, 범주 특화가 아닌 광범위한 개선을 시사한다. 1라운드 연구는 PRD 기반 자기 진화에 대한 초기 근거를 제공하며, 더 큰 규모와 산업 환경에서의 검증을 촉진한다.
시각 생성은 텍스트-이미지/비디오 합성에서 다중모달 인터랙티브 창작에 이르기까지 다양한 영역에서 점점 더 보편화되고 있다. 그러나 지배적인 단일 통합 모델들은 누적적으로 학습하고 자율적으로 진화하지 못한다는 근본적 제약에 여전히 묶여 있으며, 이는 우리가 "영구 초보(perpetual novice)" 문제라 부르는 한계이다. 이들은 경험을 재사용 가능한 지식으로 구조화하는 메커니즘을 갖추지 못해, 각 작업마다 취약한 "처음부터(from-scratch)" 추론에 의존하게 되고, 이로 인해 합성 일반화(compositional generalization)가 부족하고 지식 보존이 비효율적이다. 이러한 한계에 동기를 얻어, 우리는 Symbolic Concept Learning을 통해 누적적 진화를 위해 설계된 에이전트형 옴니 모델 SymbOmni를 제안한다. 그 핵심은 저수준 연산을 재사용 가능한 Symbolic Workflow Instructions로 추상화하는 최적화 가능한 메모리 모듈인 Symbolic Concept Box이다. SymbOmni는 귀납(induction)-변환(transduction) 주기를 통해 동작한다: 경험은 기호적 개념으로 추상화되고(귀납), 이후 새로운 작업을 해결하기 위해 적응적으로 조합된다(변환). 학습은 그래디언트 기반 모델 미세조정 없이 지속적인 자기 개선을 가능하게 하기 위해 언어 기반 피드백을 활용한 verbalized backpropagation으로 수행된다. 포괄적인 실험을 통해 (I) SymbOmni가 반복적 창작을 위한 기존 에이전트 기반 시스템을 크게 능가하며, 이미지 품질과 작업 성공률 모두에서 클로즈드 소스 모델(예: Nano Banana, GPT-Image-1)을 또한 상회함을 검증했다; (II) SymbOmni는 경쟁력 있는 생성 품질을 유지하면서 토큰 소비를 40% 이상 효과적으로 절감한다; 그리고 (III) SymbOmni는 여러 온라인 학습 벤치마크에서 누적적 향상을 달성하고 새로운 최첨단(state of the art) 수준을 설정함으로써 효과적인 지속 학습(continual learning)을 가능하게 한다.
Agentic language models dramatically expand the applications of AI yet little is publicly known about how to curate training data for broadly capable agents. Existing open efforts such as SWE-Smith, SERA, and Nemotron-Terminal typically target a single benchmark, leaving open the question of how to train models that generalize across diverse agentic tasks. The OpenThoughts-Agent (OT-Agent) project addresses this gap with a fully open data curation pipeline for training agentic models. We conduct more than 100 controlled ablation experiments to systematically investigate each stage of the pipeline, yielding insights on the importance of task sources and diversity. We then assemble a training set of 100K examples from our pipeline and fine-tune Qwen3-32B on this dataset, which yields an average accuracy of 44.8% across seven agentic benchmarks and a 3.9 percentage point improvement over the strongest existing open data agentic model (Nemotron-Terminal-32B, 40.9%). Moreover, our training data exhibits strong scaling properties, outperforming alternative open datasets at every training set size in compute-controlled comparisons. We publicly release our training sets, data pipeline, experimental data, and models at openthoughts.ai to support future open research on agentic model training.