AutoEnvScaling：利用终端智能体自动化数据循环
AutoEnvScaling 将训练环境设计转化为终端任务。提案智能体根据正在训练的求解智能体的执行轨迹创建强化学习环境，而求解智能体的新轨迹则用于指导下一轮生成。研究人员称，与仅依靠提示词生成相比，该方法生成有效环境的比例最高提高 25 倍，每个有效环境的成本最高降低 75%。使用这些环境训练 Qwen3.5-35B-A3B，使其 Terminal-Bench 2.1 得分比匹配基线高 4.3 分。由 Qwen3.6-35B-A3B 同时担任环境生成者和求解者时，其 Terminal-Bench 2.1 得分提高 12.2 分，Terminal-Bench 4.0 得分则从 1.6 升至 3.2。该流程还应用于软件工程、计算机操作、专业工作和 GPU 内核编程。结果表明训练环境生成可以自动化，但尚未证明具备普遍的递归自我改进能力。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。