arXiv cs.AI· Wenbo Hu, Shraman Pramanick, Krishna Kumar Singh, Nanyun Peng, Kai-Wei Chang, Yong Jae Lee·· 3 天前AI 评分60
Tev：用稠密进度奖励扩展长时程智能体环境
Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
AI 导读
论文提出 Tev-Gym，首个带可验证稠密渐进奖励的长时程智能体训练数据集，覆盖 7 个领域共 1,170 个已验证任务环境。其构建采用 latent-world-first 方法，先构造任务领域、工作流与每步预期状态的隐藏规格，再逐步渲染为面向智能体的环境，从而获得可控复杂度与天然进度指标。
正文 · AI 翻译
摘要：长时程智能体因其能够在具有经济价值的任务上自主工作——从数小时到数天——而日益受到关注，这一能力对自动化发现和递归自我改进（RSI）至关重要。然而，开源模型在长时程任务上仍然表现不佳，主要原因是缺乏训练数据和工作配方，而两者都难以扩展：长而复杂的任务难以整理和验证，且其奖励稀疏。我们同时解决了这两个问题。首先，我们提出了 Tev-Gym，这是首个具有可验证、密集、渐进式奖励的长时程智能体训练数据集——涵盖 7 个领域的 1,170 个已验证任务环境。它基于潜在世界优先的方法构建，该方法首先构建一个潜在世界：对任务领域、工作流以及每一步之后的预期状态的完整且正确的隐藏规范。然后，每个任务从该规范逐步渲染为面向智能体的环境，从而实现可控的复杂度和自然的进度度量。其次，我们将这一度量转化为训练配方：通过进度潜力奖励塑形（PPRS），我们将进度转化为密集的每步奖励，从而提高训练效率，并使原本难以处理的任务变得可训练。使用该配方训练得到 Tev-27B，它在 Agents' Last Exam 的计算和数学科学领域（ALE-CM）上取得了显著提升，在 Pass@5 上匹配 GPT-6 Astra 和 Claude Opus 5。尽管仅在 ALE 相关数据上训练，它仍能泛化到 Terminal-Bench（TB）3.0 和 4.0 子集，超越 GLM 5.2 和 Gemini 3.7 Flash，并在 TB 2.1 等中等时程任务上达到 Claude Opus 4.8 级别的性能。
| 评论： | this https URL |
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18868 [cs.CL] |
| （或 arXiv:2610.18868v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18868 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Wenbo Hu [查看电子邮件]
[v1]
2026年10月13日星期二 17:59:51 UTC（1,018 KB）
来源：arXiv cs.AI · arxiv.org