用阿里的模型当底座，腾讯混元把 Terminal-Bench 从 0 拉到 19.84%

一个原本在 Terminal-Bench 4.0 上拿 0 分的模型，经过一轮“自我重写”，分数变成了 19.84%——和 GPT-5.6 Terra、Gemini 3.8 Flash 站在同一档。更戏剧性的是，这个实验的底座，是阿里的 Qwen3.8-27B。

一分钟速览

• 腾讯混元 Frontier 团队发布 Terminal-RSI，让模型通过递归自我改进获得新能力
• 底座模型 Qwen3.8-27B 原本在 Terminal-Bench 4.0 上得分为 0
• 训练后达到 19.84%，与 GPT-5.6 Terra、Gemini 3.8 Flash 接近
• 方法核心是“重写—精炼”两轮循环，把成功轨迹提炼成操作手册
• 论文承认只在 27B 模型上验证，仅三次评测、没有独立训练种子

它解决的是“反馈太慢”

终端智能体和聊天机器人不一样。它拿到一个沙盒和一份任务说明，要像工程师一样在命令行里查看仓库、安装依赖、修改代码、运行测试，最后看沙盒状态能不能通过验证。整个过程平均要 50 到 117 个交互回合，第二步错了，往往到最后一刻才知道。

第二个难题是评分太粗。验证器有 11 条检查，过了 9 条，但这个“9/11”很难在终端判定里细粒度地体现。团队用了一个很形象的比喻：打游戏时杀小兵给钱，很多人不推水晶、专门刷小兵，评分很高，但水晶不掉就赢不了。

两轮循环怎么跑

流程是 Base → RSR-1 → RPR-1 → RSR-2 → RPR-2。RSR 是递归自我重写，只更新真正执行任务的策略：模型在不同 harness 里尝试任务，只保留通过完整验证的成功轨迹，然后自己充当规划者，把成功过程提炼成一份操作手册。

接着有一个专门的审查智能体，只看题面和手册，检查格式、产物，以及有没有把验证器答案或标准解泄漏进去。通过审查后，模型拿着手册在全新沙盒里重做一遍，只有重做仍通过、且没有泄漏的轨迹才会留下。最后做监督微调时，手册和审查对话都会被抹掉，只留下动作序列——模型学到的是“怎么做”，不是“答案是什么”。

“跨物种进化”的边界

团队把这种能力称为让模型超越原本框架、获得本来不具备的能力，好比一台微波炉学会了看电视、听歌、打游戏。但从论文自己的表述看，边界也很清楚：只在一个 27B 模型上跑过，没有在更大参数量的模型上验证；只有三次评测，没有独立训练种子。

这意味着两件事。第一，19.84% 是一个有说服力的存在性证明，但还不是可复现的工程结论。第二，RSI 的效果可能和底座规模、任务分布强相关，换到 Hy4 这类大模型上会怎样，目前没有答案。

对行业的启示

过去一年，提升智能体能力主要有两条路：堆更大的模型，或者堆更多的人类标注。Terminal-RSI 提供第三条：让模型自己在真实环境里试错，把成功经验压缩成可复用的操作手册，再用手册训练下一轮。这条路的成本主要在算力和沙盒，而不是标注人力。

如果它能在更大模型上复现，智能体的迭代方式会变：不再完全依赖新版本模型发布，而是靠“练习”把现有模型推到极限。对做 Agent 产品的团队来说，这比多几千条标注数据更有想象力。

参考链接：腾讯官网