研究揭示终端Agent训练中的数据生成与验证挑战

2026年10月，发表于arXiv的研究分析了使用 Claude Opus 作为 meta-agent 生成强化学习终端任务时的训练停滞问题。研究揭示了此类过程中存在的基准失效、测试框架脆弱和奖励不对齐三类故障。实验表明，通过提示词优化与上下文扩展可使基线可解性提升5.6倍，但9B模型在20步内达到81.3%的平均pass@2饱和，而在加入困难任务后该指标降至20.6%。研究提出，保障 meta-agent 的可靠性需依赖可解性区间校准与验证器审计。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。