腾讯与 NUS 等团队公布了 Terminal-RSI，一套让终端 Agent 递归自我改进的训练流程。他们用 Qwen3.8-27B 调优，在终端基准上跑… · @jiangkoumo_ · TwKit

@jiangkoumo_

腾讯与 NUS 等团队公布了 Terminal-RSI，一套让终端 Agent 递归自我改进的训练流程。他们用 Qwen3.8-27B 调优，在终端基准上跑出一组反差很大的数据，旧版 Terminal-Bench 2.1 拿到 86.52%（Base 只有 51.70%），新版 Terminal-Bench 4.0 却只有 19.84%（三次运行均值 Mean@3） 训练拆成两个交替阶段。先做 RSR，把不同 Agent 运行框架（harness）里跑通的任务轨迹改写成操作步骤（runbook），过完泄漏审查后在目标框架重放验证，再用筛选出的成功轨迹做监督微调，只更新 actor 的权重，不改运行时源码。接着是 RPR，继承估计后续回报的价值网络（critic），联合 PPO 迭代模型权重。算上基座 Base，全流程共保留 5 个阶段 论文第 3.3 节记录了一组反向变化。在第一轮 RPR 强化学习中，从 step 20 继续训到 step 35，Terminal-Bench 2.1 从 77.53% 涨到 78.95%，Terminal-Bench 4.0 却从 16.67% 跌到了 11.11%。如果单拿旧测试集分数挑模型，容易选到在新环境倒退的检查点 评测环境关闭了显式思考，按结构化 JSON 解析动作，搭配 32k 上下文主动摘要。论文未做算力配平与 critic 继承的独立消融，评测取的也是单模型三次推理均值而非独立训练种子，目前还不能把增益全部归因于递归本身 团队公开了训练思路，但论文代码入口当前 404，所链接组织暂无公开模型 对于 Agent 的开发者，看评测必须核对运行框架。DeepSeek 官方自报 DeepSeek-V4.1-Flash-1017 在 Terminal-Bench 4.0 拿到 42.3%，但测的时候跑在 Claude Code 框架下，使用的运行框架与这篇论文不同，不能直接横向比较两组成绩

曝光 327 · 评论 3 · 点赞 4 · 书签 0