Interlock: Neues Framework soll Agenten vom lokal korrekten zum vollständigen Ergebnis führen

Agenten erfüllen Einzelanforderungen und verfehlen den Abschluss

Die Autoren des Papers „Interlock: From Local Correctness to Task Completion in Long-Horizon Agents“ stellen ein Framework vor, das langfristige Agentenaufgaben synthetisch erzeugt. Ihr Ziel ist es, eine Lücke zu schließen, die sie „Completion Gap“ nennen. Agenten erfüllen demnach einzelne Anforderungen, halten aber die Beziehungen zwischen Ressourcen und Artefakten nicht ein. Das Ergebnis ist lokal korrekt, bleibt jedoch unvollständig.

Als Ursache nennen die Autoren den Umstand, dass der Abschluss einer Aufgabe von Beziehungen abhängt. Gemeint sind Beziehungen zwischen Umgebungsevidenz, folgenreichen Entscheidungen und geforderten Effekten. Wer jede Anforderung einzeln abhakt, übersieht diese Zusammenhänge. Die Beschreibung stammt aus dem Abstract des Papers und damit von den Urhebern selbst.

Drei Kantentypen verbinden Evidenz, Entscheidung und Wirkung

Interlock stellt jede Aufgabe als typisierten Abschlussgraphen dar. Der Graph kennt drei Kantentypen, und jeder bildet eine der genannten Beziehungen ab. Grounding-Kanten verknüpfen öffentliche Evidenz mit Entscheidungen. Coupling-Hyperkanten legen gemeinsame Beschränkungen über mehrere Komponenten fest. Realization-Kanten führen Entscheidungen zu allen erforderlichen nachgelagerten Effekten.

Der Graph legt damit fest, welche Abhängigkeiten eine Lösung einhalten muss, damit die Aufgabe als abgeschlossen gilt. Anschließend kompiliert Interlock ihn zu drei Teilen: einem zurücksetzbaren Workspace, einer öffentlichen Anfrage und einer Bewertungsrubrik. Der Solver erhält die Anfrage. Die Rubrik dient allein der Beurteilung.

Zwei Prüfschritte, ein Agent als Richter, Feinabstimmung mit Qwen3.6

Zur Qualitätssicherung nennt das Paper zwei Reviews. Der Source-Coverage-Review prüft, ob die ursprünglichen Anforderungen die Generierung überstehen. Der Public-Input-Review prüft, ob die Rubrik durch die Materialien gedeckt ist, die dem Solver zur Verfügung stehen. Danach untersucht ein Agent-as-Judge die Ausführungsartefakte und startet Verifikationsskripte. Behalten werden nur Trajektorien, die alle zwingenden Anforderungen erfüllen.

Um den Nutzen für das Training zu prüfen, feinjustieren die Autoren zwei Qwen3.6-Backbones auf ihren eigenen akzeptierten Trajektorien.

Die Autoren sprechen von verbesserter Agentenleistung auf „complex benchmarks“. Welche Benchmarks gemeint sind, gegen welche Baselines gemessen wurde und wie groß der Effekt ausfällt, ist dem vorliegenden Material nicht zu entnehmen. Der verfügbare Abstract endet vor den Ergebnissen. Eine unabhängige Replikation liegt nicht vor. Prüfen lässt sich die Behauptung im Volltext auf arXiv, vor allem anhand der Ergebnistabellen, der Baselines und der Ablationen. Aufschlussreich sind dabei die Ablationen, die Verifikation und Selbsttraining getrennt betrachten.