elvis(@omarsar0)
Banger paper from Tencent on recursive self-improvement for terminal agents. (bookmark it) This is...
8.5内容质量
TL;DR · AI 摘要
腾讯论文通过递归自我改进方法使终端代理性能提升超200%，Terminal-Bench测试集表现从20.68%跃升至50.58%。
核心要点
- 递归自我改进方法使Terminal-Bench 2.1测试集准确率提升至86.52%
- PPO算法结合阶段继承机制实现性能突破
- 奖励审计显示48次失败案例中28.72%因未区分严格成功与部分信用
结构提纲
按章节快速跳转。
- §研究背景
介绍终端代理训练的挑战及递归自我改进方法的必要性。
- ·方法论
描述基于Qwen3.8-27B的五阶段双相训练框架。
- ›实验结果
展示Terminal-Bench测试集性能提升的具体数据对比。
- ·奖励审计
分析失败案例中奖励机制与验证标准的关联性。
- ›技术细节
解析PPO算法与阶段继承机制的实现方式。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 腾讯终端代理研究
- 方法论
- 五阶段双相训练
- PPO算法优化
- 实验结果
- Terminal-Bench提升
- 奖励审计分析
金句 / Highlights
值得收藏与分享的关键句。
Terminal-Bench Hard测试集表现从20.68%提升至79.00%
86.52%的Terminal-Bench 2.1测试集准确率验证方法有效性
奖励审计显示28.72%的失败案例源于严格成功标准缺失
#强化学习#终端代理#腾讯#PPO算法#Terminal-Bench
打开原文elvis on X: "腾讯发布了一篇关于终端代理递归自我改进的重磅论文（请收藏）。如果你正在关注使用强化学习训练终端或编码代理的研究，这是一篇必读的论文。从Qwen3.8-27B开始，他们通过五个阶段交替执行两个阶段：一个阶段在通过验证器的轨迹重写版本上进行微调，另一个阶段使用继承自前一阶段的评论家运行PPO。Terminal-Bench四套测试平均成绩从20.68%提升至50.58%，在Terminal-Bench 2.1上达到86.52%，在Terminal-Bench Hard上达到79.00%。奖励审计同样具有价值。在密集进度奖励下，失败的运行仅获得了50.09%的奖励，48次失败均通过了所有执行检查但仍未能通过最终测试。将严格成功与部分信用分开后，这一比例降至28.72%。"
elvis
@omarsar0
腾讯发布了一篇关于终端代理递归自我改进的重磅论文（请收藏）。如果你正在关注使用强化学习训练终端或编码代理的研究，这是一篇必读的论文。从Qwen3.8-27B开始，他们通过五个阶段交替执行两个阶段：一个阶段在通过验证器的轨迹重写版本上进行微调，另一个阶段使用继承自前一阶段的评论家运行PPO。Terminal-Bench四套测试平均成绩从20.68%提升至50.58%，在Terminal-Bench 2.1上达到86.52%，在Terminal-Bench Hard上达到79.00%。奖励审计同样具有价值。在密集进度奖励下，失败的运行仅获得了50.09%的奖励，48次失败均通过了所有执行检查但仍未能通过最终测试。将严格成功与部分信用分开后，这一比例降至28.72%。
arxiv.org/abs/2610.22192
Chat with Paper:
academy.dair.ai/papers/termina…
下午4:00 · 2026年10月17日
·
8,767
Views
48
16
143
152