Xudong Han(@Xudong07452910):Terminal Agent 很容易遇到一种失败是前面修对了 90%，最后一个 hidden test 没过，最终结果还是失败。这篇 Terminal-RSI 研究的，就是怎么把这种「差一点成功」也变成下一轮真正有用的训练信号。它交替做两件事。 RSR 会从已经验证成功的轨迹里提炼可复现的做法，再教回 Agent； RPR 则继续用强化学习消化执行反馈，让局部进展可以获得 credit，同时保证「真正完成任务」始终比只通过部分检查更重要。论文还有一个很细的设计是 Terminal 里一次命令可能吐出几千 token 日志，但期间 Agent 根本没有做新决策。所以它把信用分配的时间尺度从「token 数量」改到「交互轮次」，避免日志越长，前面的关键决策反而被稀释。基于 Qwen3.8-27B，经过两轮 RSR + RPR 后，四个 Terminal-Bench 的平均成功率从 20.68% 提升到 50.58%；Terminal-Bench Hard 从 31% 提升到 79%。我比较喜欢这篇对「失败轨迹」的处理方式。一次任务没通过终验，不代表前面所有判断都没有价值。真正好的自我改进系统，应该能把已经走对的部分留下来，同时知道最后为什么还差那一步。 📎 arxiv:

2026.10.19 03:33

Terminal Agent 很容易遇到一种失败是前面修对了 90%，最后一个 hidden test 没过，最终结果还是失败。这篇 Terminal-RSI 研究的，就是怎么把这种「差一点成功」也变成下一轮真正有用的训练信号。它交替做两件事。 RSR 会从已经验证成功的轨迹里提炼可复现的做法，再教回 Agent； RPR 则继续用强化学习消化执行反馈，让局部进展可以获得 credit，同时保证「真正完成任务」始终比只通过部分检查更重要。论文还有一个很细的设计是 Terminal 里一次命令可能吐出几千 token 日志，但期间 Agent 根本没有做新决策。所以它把信用分配的时间尺度从「token 数量」改到「交互轮次」，避免日志越长，前面的关键决策反而被稀释。基于 Qwen3.8-27B，经过两轮 RSR + RPR 后，四个 Terminal-Bench 的平均成功率从 20.68% 提升到 50.58%；Terminal-Bench Hard 从 31% 提升到 79%。我比较喜欢这篇对「失败轨迹」的处理方式。一次任务没通过终验，不代表前面所有判断都没有价值。真正好的自我改进系统，应该能把已经走对的部分留下来，同时知道最后为什么还差那一步。 📎 arxiv: