论文用递归自我重写与策略精炼训练终端智能体并报告基准结果。
资讯摘要
论文提出 Terminal-RSI，将已验证轨迹的递归自我重写（RSR）与继承评论家的递归策略精炼（RPR）交替进行，并引入 TB-GAE、Family Dense Reward 与 Success-Prioritized Reward 等机制。作者报告，以 Qwen3.8-27B 为基座经五阶段训练得到 Terminal-RSI-27B，在 Terminal-Bench 4.0 上达 19.84%，在 Terminal-Bench 2.1 上达 86.52%。
要点速读
- 方法交替进行已验证轨迹的递归自我重写（RSR）与继承评论家的递归策略精炼（RPR）。
- 提出 Turn-Boundary Skip-Observation GAE（TB-GAE）、Family Dense Reward（FDR）与 Success-Prioritized Reward（SPR）。
- 作者报告 Terminal-RSI-27B 在 Terminal-Bench 4.0 为 19.84%、2.1 为 86.52%、3.0 为 16.95%、Hard 为 79.00%；LHTB 过程奖励由 0.21 升至 0.37，严格完成由 0/46 升至 5/46。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。