agent-training

NorthCUA 技术报告提出了一套集成系统，通过经验飞轮、递归自我改进、分阶段学习和强化学习来扩展计算机使用智能体，其 Nano、Mini 和 Pro 模型系列在 GUI 定位、桌面执行和 Web 交互方面取得了开源模型中的最先进结果。

HarborRL开源了一个轻量级智能体强化学习框架，将模型服务、轨迹生成、工具执行、验证器奖励和策略更新整合为可复现的流水线，支持Qwen/GLM模型×GRPO/DAPO算法×200+沙箱任务×40+ Agent Harness（如Claude Code、SWE-agent）的灵活组合。

Hugging Face发布了一套5步AI智能体后训练课程，涵盖SFT、蒸馏、基于GRPO的强化学习、RL环境以及harness规模训练，每一步都配有直播、代码和文档。

AgentOrch 是一个基准，用于对比全局编排（Global）与逐步交互（Step-by-Step）两种 LLM 代理模式在 650 个企业 SOP 上的表现，发现最新模型的差距已缩小约 79%，并提出增量构建、执行反馈修正和针对性训练三条缩小差距的路径。

WorkFactory 提出了一种可扩展框架，通过信息层面的规划与修复来构建连贯、可执行的专业任务，覆盖 612 个职业，共生成 112,686 个任务，用于微调 WorkPilot 模型系列（Qwen 4B/27B/35B-A3B）。在专业工作基准测试中，这些模型均优于其基础模型。

DataPraxis 提出一种基于验证式工作区演化的分析任务合成框架，并据此构建 DataPraxis-5K 数据集（5000 条已验证轨迹），训练出 DataPraxis-27B 与 DataPraxis-35B-A3B 模型，在 DABStep 与 JobBench 上达到或超过 GLM-5.2 等前沿模型水平。

OfficeTown 是一个生成式组织模拟框架，通过模拟专业组织的工作流为 AI 智能体生成工作导向的训练数据与评测基准。作者构建了 OfficeTown Bench（406 个任务、4836 条评测标准），并表明用该数据进行监督微调和 on-policy 蒸馏能显著提升 Qwen3-5-9B 在 GDPval 等外部专业工作基准上的表现。

Cowork-Gym 通过“构建—执行—修订”循环与有状态用户模拟器，大规模合成协作式智能体环境（6.49 万个，涵盖 14 个应用场景），并用于对 9B/27B/35B-A3B Qwen 模型进行后训练，在六个智能体基准测试上的得分分别提升 8.7、6.4、4.1 分，其中 27B 版本在 PawBench 和 ClawEval 上取得最高平均分。

Qwen发布QwenGyre，一个面向超长时序（XLong）智能体训练的弹性强化学习框架，包含弹性调度器与轨迹处理器，在Qwen3.8-2.4T-A95B上将NL2RepoBench从52.5%提升至58.5%，并缩短约44%的端到端训练时间。

AWS 和 HSBC 的研究人员提出了 Double Ratchet 方法，评分器仅从 10 个标注样本出发，与自我改进智能体共同进化，在代码、SQL 和报告生成任务上达到了与真实标签监督相当的效果。

论文提出通过技能适配（skill adaptation）改进 LLM 代理的 harness 自进化：用一个固定的 meta-skill 指导将现有技能改写为符合执行器能力的形式，使弱模型在无需参数更新的情况下获得显著提升，在七个模型和三个基准上验证了有效性。

SoftwareGym提出了一个自动化流水线，用于合成多样化的GUI软件环境以训练计算机使用代理（CUAs），合成182个应用并构建了SoftwareGym-Bench评测套件，在OSWorld基准上将Pass@3从41.39%提升至56.97%。

SETA（Scaling Environments for Terminal Agents，终端智能体可扩展环境）被 NeurIPS 2026 接收，团队开源了基于 GRPO 和 PPO 的 DeepSeek-V4-Flash、GLM-5.2 (LoRA)、Inkling-Small 和 Qwen3.8-27B 的完整强化学习训练脚本，并发布了 4,500 多个开源可验证的终端强化学习环境。

提出软件在环重构（software-in-the-loop reconstruction）的自监督框架，从现有科学软件工作流中自动生成可执行的参考行为与验证目标，用于训练终端智能体；使用 Qwen3.8-Max 生成训练数据并对 Qwen3.8-27B 微调，使 Terminal-Bench 2 平均性能从 47.94% 提升至 53.56%。

PivotOPD 提出了一种在线蒸馏框架，联合训练语言智能体以预防关键性错误并从中产生的状态中恢复，在 ALFWorld、WebShop、SearchQA 和 SWE-Bench Verified 上，Qwen3 与 Nemotron 学生模型均超越了 13 个基线方法。

CompoWorld 引入了一种方法，通过组合可重用服务来扩展任务，用于训练通用智能体，在基准测试中平均性能提升9.17分，并在AutomationBench上超越了如Claude Opus等模型。

本文表明，在强化学习中，工具结果缓存即使只是略有正确，也可能逆转预期的组归一化策略更新，这一点通过数学分析和两个动作模型的实验得到了证实。

本文介绍了 Taste-Bench，一个用于衡量 LLM 代理长期决策品味的基准，发现前沿模型准确率较低，且品味可通过蒸馏训练提升。

OpenBMB发布了UltraData-SFT-Agent-2609，这是一个包含50万个样本的数据集，用于代理指令调优，并在MiniCPM5-2B模型的后训练中使用。

本文介绍AMDKernelVault，这是一个用于AMD GPU内核优化的开放数据集和训练框架，包含大规模HIP和Triton内核，以及用于生成和验证内核的代理驱动流水线。