同一天两篇论文撞车，结论一致：agent RL 缺的不是模型，是环境
9 月 3 日两篇论文同天登上 arXiv，从相反的方向说了同一件事：agent RL 的瓶颈已经不是模型也不是算力，是拿来训练的环境不够用了。其中 Terminal-Universe（https://arxiv.org/abs/2609.04148）还以 254 个赞登顶了 Hugging Face 日报的 agent 板块。
Terminal-Universe 走回收路线。它拿公开的 agent 轨迹——过去运行留下的静态日志——重建出可执行的环境：回放文件操作还原工作区，在上面合成新任务，把一次性交互扩展成带反馈的多轮。团队从公开轨迹里造出了 37,300 个任务完备的环境，用它们训练 Qwen3.5-27B，Terminal-Bench 2.1 提了 11.9 分，多轮的 EvoCode-Bench v2 提了 13.8 分。
《Environment Evolution for Terminal Agents》（https://arxiv.org/abs/2609.04128）攻的是另一头：模型把手里的环境刷饱和了怎么办。它的答案是 off-policy 地进化难度——从多轮学习目标推导出三个进化方向，用一个多 agent 系统合成越来越难的环境。收益：Qwen3.6-27B 提 14.4 分，35B-A3B 提 18.0 分，还拉来 Hy4、Claude Opus 5、GPT-5.6 Sol 验证进化出的环境确实更难了。
这种同日撞车通常是个信号。字节跳动的 HarnessDev 问的是模型能不能给自己造脚手架（https://clauday.com/zh/article/4816c05d-a6ea-414d-b4b7-adf2fa3991f4），这两篇说的是训练侧长着同样的形状。LLM 时代的数据飞轮，正在变成环境飞轮：谁能最便宜地把昨天的轨迹变成明天更难的任务，谁就能在别人没题可刷之后继续变强。
← 返回所有文章
Terminal-Universe 走回收路线。它拿公开的 agent 轨迹——过去运行留下的静态日志——重建出可执行的环境：回放文件操作还原工作区，在上面合成新任务，把一次性交互扩展成带反馈的多轮。团队从公开轨迹里造出了 37,300 个任务完备的环境，用它们训练 Qwen3.5-27B，Terminal-Bench 2.1 提了 11.9 分，多轮的 EvoCode-Bench v2 提了 13.8 分。
《Environment Evolution for Terminal Agents》（https://arxiv.org/abs/2609.04128）攻的是另一头：模型把手里的环境刷饱和了怎么办。它的答案是 off-policy 地进化难度——从多轮学习目标推导出三个进化方向，用一个多 agent 系统合成越来越难的环境。收益：Qwen3.6-27B 提 14.4 分，35B-A3B 提 18.0 分，还拉来 Hy4、Claude Opus 5、GPT-5.6 Sol 验证进化出的环境确实更难了。
这种同日撞车通常是个信号。字节跳动的 HarnessDev 问的是模型能不能给自己造脚手架（https://clauday.com/zh/article/4816c05d-a6ea-414d-b4b7-adf2fa3991f4），这两篇说的是训练侧长着同样的形状。LLM 时代的数据飞轮，正在变成环境飞轮：谁能最便宜地把昨天的轨迹变成明天更难的任务，谁就能在别人没题可刷之后继续变强。
评论