同一套环境换个底座就能用

一个只有两百七十亿参数的模型。在 Agents 的 LastExam 计算与数学子集上打平了 GPT-6 Astra 和 Claude Opus 5 两个旗舰。这件事本身不稀奇。稀奇的是他们怎么训出来的。

先把难处说清楚。长任务智能体现在能连着干好几个小时，可怎么用强化学习把这种能力训出来一直很麻烦。第一层麻烦是任务难造。够复杂的长任务想大规模生成不容易；第二层更头疼。就算造出来了模型也难学，因为一个任务要连走几十步。最后一步崩了。老一套只看结局的打分方式会直接判零。前面九成的活干得再漂亮也拿不到有效信号。等于说，辛苦干一小时，评卷的人只看结局。

UCLA 和 Adobe Research 的解法叫 Tev，思路其实挺反直觉：先造一个完全正确的世界。里面把工作流、标准答案。每个阶段该有的状态都标好；然后倒过来捏一个带毛病的环境出来。

让智能体自己进去修。这么一来，训练系统就知道它每一步到底干对了多少，哪怕最后任务没收尾，也能按中间进度发奖励。照这个路子，他们一共捏出了一千一百七十个能验证的长任务场景，软件工程、数据工程、数学、安全、基础设施七个门类都有。

更值得记的是这套方法能搬家。RSI 这条线上他们拿 GLM-5.3-Flash 接着训。长出一个叫 Tev-320B 的模型，在 Terminal-Bench 4.0 的计算与数学子集上，Pass@1 从百分之二十九提到了百分之三十七。同一套环境换个底座就能用，这比单点成绩值钱得多。

我唯一拿不准的是规模。这套构造办法在一千多个环境上验证过。可真要铺到几万个任务。标注成本和反向生成的质量能不能撑住。还得看后面有没有人把这条线接着拉长。