长程智能体训练不再只看重复状态：把任务进度写进比较条件，WebShop成功率再涨3.96与5.16个百分点
长程语言模型智能体的训练改在已有轨迹组内构造动作偏好：比较条件同时看动作前状态与任务进度，WebShop上Qwen3-4B与8B的平均成功率分别提高3.96和5.16个百分点。
智能体不再等外部教师出题：ClawLoop 让它在同一沙箱里自出题、自诊断、自训练
ClawLoop 把任务合成、训练与失败诊断串成闭环，让基于 harness 的智能体无需外部教师模型即可自我改进，在 SkillsBench、Claw-Eval-Live 与 ClawGym-Bench 上均优于单次合成的 ClawGym。
Meituan LongCat 团队用教师参数邻域扰动把 Qwen3 数学推理平均分再提 1.67–2.75 分
该工作提出 Neighborhood OPSD（N-OPSD）：在 on-policy self-distillation 中，对带参考解答的教师做局部参数扰动得到一批冻结专家，离线按“超出当前专家池最优的过滤参考 token 增益”贪心挑选互补专家，在线用 MaxPeak 选锚 token、再用分位数规则在锚一致的专家中选监督强度，在 AIME 2024、AIME 2025、HMMT February 2025 三项基准的 Average@12 上，相对 OPSD 在 Qwen3-1.7B、4B、8B 上分别提升 2.75、1.67、1.94 分，且推理时只用蒸馏后的学生模型。
已读完全部报道