标签
该论文揭示了引入评判器的蒙特卡洛树搜索（MCTS）为何无法提升计算机操作智能体的表现，并提出了 Probe-and-Resume（探查并恢复）策略：仅在候选最终状态下调用评判器，并赋予其对分叉环境的完整探查权限。该策略使 Terminal-Bench 2.1 的任务成功率提高了 8.4 个百分点，而成本不到 Codex CLI 的一半。
Nebius AI 提出 Caddie 方法，通过强化学习从任务成败结果训练 LLM agent 的自然语言批评器（critic），无需逐步标注。Qwen3-4B critic 在 MuSiQue 上将成功率提升逾 25 个百分点，并可跨基座模型与任务域泛化。