arXiv 2026年10月5日该工作提出一个由前沿模型（如Claude Opus）作为元智能体生成终端任务与验证器的流水线，诊断出基准无效、执行框架脆弱和奖励错配三类失败，并通过提示重设计与上下文扩展将基线可解性提升5.6倍；一个9B模型在Claude Opus生成的任务上20步内平均pass@2饱和于81.3%，而在不改变训练配置的情况下加入困难任务后降至20.6%，表明可解性区间是模型特定的。该工作提出一个由前沿模型（如Claude Opus）作为元智能体生成终端任务与验证器的流水线，诊断出基准无效、执行框架脆弱和奖励错配三类失败，并通过提示重设计与上下文扩展将基线可解性提升5.6倍；一个9B模型在Claude Opus生成的任务上20步内平均pass@2饱和于81.3%，而在不改变训练配置的情况下加入困难任务后降至20.6%，表明可解性区间是模型特定的。元智能体生成的终端任务让9B模型在20步内达到81.3%平均pass@2，加入困难任务后降至20.6%该工作提出一个由前沿模型（如Claude Opus）作为元智能体生成终端任务与验证器的流水线，诊断出基准无效、执行框架脆弱和奖励错配三类失败，并通过提示重设计与上下文扩展将基线可解性提升5.6倍；一个9B模型在Claude Opus生成的任务上20步内平均pass@2饱和于81.3%，而在不改变训练配置的情况下加入困难任务后降至20.6%，表明可解性区间是模型特定的。该工作提出一个由前沿模型（如Claude Opus）作为元智能体生成终端任务与验证器的流水线，诊断出基准无效、执行框架脆弱和奖励错配三类失败，并通过提示重设计与上下文扩展将基线可解性提升5.6倍；一个9B模型在Claude Opus生成的任务上20步内平均pass@2饱和于81.3%，而在不改变训练配置的情况下加入困难任务后降至20.6%，表明可解性区间是模型特定的。