ECHO：终端智能体免费学习世界模型

本文指出命令行智能体的环境反馈流是丰富的监督信号，但现有强化学习方法往往将其忽略。作者提出 ECHO（环境交叉熵混合目标），通过结合策略梯度损失与预测环境观测的辅助损失，将终端反馈转化为密集监督。该方法无需额外 rollout 即可显著提升性能，使模型在无专家演示下实现自我改进，并更好地预测终端动态，证明了环境观测可作为强大的在策略监督信号。