一周两个 Gym：先把软件合成出来，再拿它训 agent
周一 Hugging Face 榜上两篇论文从两头打同一个短缺：能训 agent 的可验证环境不够，那就自动造。SoftwareGym，83 票，给电脑操作 agent 合成 GUI 应用。ProgramGym，47 票，把真实仓库变成让编程 agent 从零重建程序的环境。
SoftwareGym 的流水线先生成结构各异的应用设计，做成能跑的软件，再用 GUI 评估加迭代修复直到真的能用。结果：12 个类别 182 个应用，平均任务通过率 91.5%，一个 120 题的基准，以及真正要紧的那个数：用这些合成应用的轨迹训出来的电脑操作模型，在完全域外的 OSWorld 上 Pass@3 从 41.39% 提到 56.97%。训练数据从没碰过的基准涨 15 个点，而那些应用在流水线造出来之前根本不存在。
ProgramGym 盯的任务比修 issue 更难：像工程师一样把程序造出来，需求得自己摸。Program-Env 拿仓库，通过一个修复沙箱构建和黑盒测试质量的反馈环，产出 1,648 个 C、C++、Go、Rust 的训练环境。Program-Agent 把分析、实现、审查拆成隔离的角色，带编译检查和失败恢复的版本管理。用这些轨迹微调 Qwen3.8-27B，ProgramBench 从 34.87% 升到 42.84%；agent 工作流把基座和微调模型分别推到 55.71 和 56.25，作者说超过了部分旗舰模型。承诺开源。
模式才是重点。两篇论文把大部分力气花在让生成环境保持诚实的修复环上，因为一个通过了坏测试的环境，训出来的 agent 学的就是通过坏测试。这跟上周贯穿整个站的验证者问题是同一个，挪到了数据那头。环境最多的实验室赢，而现在环境可以被制造。
SoftwareGym：https://arxiv.org/abs/2610.12611
ProgramGym：https://arxiv.org/abs/2610.13395
← 返回所有文章
SoftwareGym 的流水线先生成结构各异的应用设计，做成能跑的软件，再用 GUI 评估加迭代修复直到真的能用。结果：12 个类别 182 个应用，平均任务通过率 91.5%，一个 120 题的基准，以及真正要紧的那个数：用这些合成应用的轨迹训出来的电脑操作模型，在完全域外的 OSWorld 上 Pass@3 从 41.39% 提到 56.97%。训练数据从没碰过的基准涨 15 个点，而那些应用在流水线造出来之前根本不存在。
ProgramGym 盯的任务比修 issue 更难：像工程师一样把程序造出来，需求得自己摸。Program-Env 拿仓库，通过一个修复沙箱构建和黑盒测试质量的反馈环，产出 1,648 个 C、C++、Go、Rust 的训练环境。Program-Agent 把分析、实现、审查拆成隔离的角色，带编译检查和失败恢复的版本管理。用这些轨迹微调 Qwen3.8-27B，ProgramBench 从 34.87% 升到 42.84%；agent 工作流把基座和微调模型分别推到 55.71 和 56.25，作者说超过了部分旗舰模型。承诺开源。
模式才是重点。两篇论文把大部分力气花在让生成环境保持诚实的修复环上，因为一个通过了坏测试的环境，训出来的 agent 学的就是通过坏测试。这跟上周贯穿整个站的验证者问题是同一个，挪到了数据那头。环境最多的实验室赢，而现在环境可以被制造。
SoftwareGym：https://arxiv.org/abs/2610.12611
ProgramGym：https://arxiv.org/abs/2610.13395
评论