标签
该论文剖析了元智能体流水线（使用如 Claude Opus 等模型生成终端任务及用于 RL 训练的验证器）中的失败模式，指出了基准数据无效性、评估框架脆弱性以及奖励错位等问题，并通过在 9B 模型上进行提示词重新设计与困难任务实验，证明了可解性范围是因模型而异的。