标签
本文介绍了 Data World，一个多智能体引擎，通过显式的生成机制合称数据分析环境、任务和评分标准，从而实现可验证的开放式发现。在 2,135 个生成任务上进行 RL-zero 训练后，Qwen3.6-35B-A3B 在多个基准测试中均有提升，而对十个前沿模型的评估揭示了计算准确性与洞察推导之间存在持续的差距。
评论介绍了 UCLA 与 Adobe Research 的 Tev 工作：通过构建可验证的长任务环境与稠密中间进度奖励来训练长时程 Agent。Tev-27B 在 Agents'LastExam 的计算与数学子集上以 Pass@5 28% 比肩 GPT-6 Astra 与 Claude Opus 5；Tev-320B 则将 GLM-5.3-Flash 在 Terminal-Bench 4.0 计算与数学子集上的 Pass@1 从 29% 提升至 37%。
ProgramGym 提出了一套由 Program-Env 和 Program-Agent 组成的框架，用于为长周期程序复现智能体构建可扩展、可验证的训练环境。在生成的环境中对 Qwen3.8-27B 进行微调后，性能取得了显著提升。
本文介绍了一种方法，将从业者编写的'Agent Skills'整合到AI代理的训练环境中，使用强化学习以提高他们在现实世界任务和基准测试中的性能。
Echoverse 提出了一种生成深度、演进式合成环境的方法，用于训练计算机使用代理，展示了显著的准确率提升，并发布了一个包含有依据评分器的基准。
CUA-Gym 引入了一个可扩展的流水线，用于为计算机使用代理生成可验证的训练环境和任务，从而解决数据稀缺问题。由此产生的数据集和模型在OSWorld-Verified和WebArena等基准测试上取得了强劲的性能。
Apple Research 推出了 Weblica，这是一个利用 HTTP 缓存和基于大语言模型（LLM）的合成技术，为视觉 Web 智能体创建可扩展且可复现训练环境的框架。