Araştırmacılar, bilgisayar‑kullanım ajanlarını eğitmek için on derin alan ve iki yetenek odaklı ortamdan oluşan toplam on iki sentetik dünya geliştirdi. 9 milyar parametreli bir model bu ortamların tamamında eğitildiğinde, temel skorunu %36,5'ten %67,1'e yükselterek en yeni büyük dil modellerine yaklaşım sağladı.

Deneyler, ortam derinliğinin kritik olduğunu ortaya koydu; sığ taklit ortamlarında model performansı geriledi, ancak davranışsal olarak gerçekçi, durum‑koherent ortamlar modelin yeteneklerini artırdı. Tarih seçiciler ve iç içe filtreler gibi zor UI bileşenlerine odaklanan özel ortamlar, modelin daha önce görmediği varyasyonları da yönetebilmesini sağladı.

Bu yaklaşım, gerçek kapalı sistemlerde (e‑posta, bankacılık vb.) büyük ölçekli eğitim yapılamadığı için, durumu güvenli bir şekilde sıfırlayabilen ve gerçek veri tabanı değişikliklerini yansıtan sentetik dünyaların gerekliliğine dayanıyor. Araştırma ekibi, dört ortamı kod, veri ve doğrulama araçlarıyla birlikte toplulukla paylaşarak ilerideki çalışmaların temelini oluşturmayı hedefliyor.