标签
ByteDance 等机构的 Athanor 论文显示，4 个 Claude Opus 5.5 Agent 各自占用一台 8 卡机器，在 104 小时无人工干预下自主完成后训练，将 Qwen3-4B-Base 提升至官方 Instruct 水平（开发集 15.9→67.3，held-out 9.2→48.2）。
WorkRover 是一个通过递归环境演化训练长时程协作智能体的框架，引入了因子兼容性回放（Factorial Compatibility Replay）和验证器到轮次的信用分配（Verifier-to-Turn Credit Assignment）以改进训练信号。对 Qwen3.5-35B-A3B 进行后训练得到 WorkRover-35B-A3B，在 JobBench、OfficeQAPro 和 GDPvalv2 基准测试上均取得了显著提升。
Maximilien Labonne 强调了一份开源指南，介绍如何在 Claude Code、Codex 和 OpenCode 等真实 agent harness 中使用强化学习训练模型，使得任何模型（如 LFM2.5-2.6B）都能在任何 harness 上针对任意任务集进行训练。
DeepSeek Elastic Compute (DSec) 是专为大规模大语言模型有效代理训练设计的沙盒基础设施，具备弹性执行、统一SDK，并支持与强化学习框架集成。
TRACE是一种新的自我改进方法，AI代理识别自身失败背后缺少的能力，并自我训练以解决这些问题。经过TRACE训练的Qwen3.6-27B在SWE-bench Verified上达到73.2%，以更少的训练次数超越了更大的模型。