摘要
本文挑战了“更强代码代理即为更优教师”的假设，通过 Terminal-Lego 管道研究发现，学生代理在较低分但具备环境接地监督（EGS）的轨迹上微调，泛化能力显著更强。这种“教学悖论”表明，暴露检查 - 执行 - 验证行为的交互结构比单纯的结果匹配更能促进鲁棒问题解决 routines 的内化。实验显示极高的数据效率，仅需少量轨迹即可媲美此前大规模数据训练的 SOTA 性能，主张将研究重心转向“Harness Engineering
AI 推荐理由
论文核心研究 Agent 的后训练与自我改进机制，提出基于交互轨迹的教学范式。
研究机构
香港大学
华为技术有限公司
论文信息