腾讯论文：终端 Agent 通过递归自我改写提升 Terminal-Bench
- 方法设计：从 Qwen3.8-27B 起步，在五个阶段交替执行两类训练——对通过验证器的轨迹重写版本做微调，以及用上一阶段继承的 critic 运行 PPO。
- 评测结果：四套 Terminal-Bench 平均分从 20.68% 提升至 50.58%，其中 Terminal-Bench 2.1 达到 86.52%，Terminal-Bench Hard 达到 79.00%。
- 奖励审计：在密集进度奖励下，失败运行拿走了 50.09% 的奖励；有 48 个失败案例通过了全部已执行检查，但仍未通过最终测试。将严格成功与部分信用分开后，这一比例降至 28.72%。
- 行业意义：终端与编码 Agent 的训练信号正从最终结果扩展到过程验证；递归自我改写若要稳定生效，需要同时审计奖励分配，避免部分完成被误计为成功。 🔗 论文 arXiv:2610.22192 | omarsar0 解读
