知识卡片：Tev——用稠密进度奖励扩展长程智能体环境

一句话结论

Tev 通过“先构建潜世界、再渲染任务环境”的数据构造方式，把长程任务的进度转化为可验证的稠密奖励，并用进度势能奖励塑形（PPRS）训练出 Tev-27B，在 Agents' Last Exam 计算与数学科学域达到与 GPT-6 Astra、Claude Opus 5 相当的 Pass@5 表现。

事件概述或研究问题

• 长程智能体被期待能自主工作数小时到数天，完成有经济价值的任务，这一能力被视为自动发现与递归自我改进（RSI）的关键。
• 开源模型在长程任务上仍落后，主要受限于两点：缺少训练数据、缺少可用的训练配方。
• 长程复杂任务难以策展与验证，且奖励稀疏；本文试图同时解决数据与训练配方两端的扩展难题。

方法/产品要点

• Tev-Gym 数据集：论文称为首个具备可验证、稠密、渐进式奖励的长程智能体训练数据集，包含 7 个领域的 1,170 个已验证任务环境。
• 潜世界优先（latent-world-first）构造法：先构建一个完整的“潜世界”——任务领域、工作流以及每一步之后预期状态的隐藏规范；再从该规范逐步渲染出面向智能体的环境，从而获得可控复杂度与自然的进度度量。
• 进度势能奖励塑形（PPRS）：把上述进度度量转换为逐步的稠密奖励，提升训练效率，并使原本难以训练的任务变得可训练。
• Tev-27B 模型：用该配方训练得到的 27B 模型。

主要结果或产业意义

• 在 Agents' Last Exam 计算与数学科学域（ALE-CM）上取得显著提升，Pass@5 匹配 GPT-6 Astra 与 Claude Opus 5。
• 尽管仅使用 ALE 相关数据训练，仍泛化到 Terminal-Bench（TB）3.0 与 4.0 子集，超过 GLM 5.2 与 Gemini 3.7 Flash。
• 在 TB 2.1 等中等长度任务上达到 Claude Opus 4.8 级别的表现。
• 产业意义：稠密进度奖励可能成为长程智能体训练的关键配方，缓解长程任务“奖励稀疏、难以验证”的扩展瓶颈。

为什么重要

• 长程自主能力是自动发现与 RSI 的前提，而开源模型在此长期落后；Tev 同时给出数据构造与训练配方两条路径。
• “潜世界优先”把任务的正确性验证前置到规范层，再渲染为环境，为长程任务的自动化策展与可验证性提供了一种可扩展范式。
• 与 CompactionRL（从压缩历史中学习、面向编码任务）不同，Tev 的增量在于从环境构造与奖励塑形层面解决长程训练问题，而非上下文压缩。

与既有脉络的关系

• 既有卡片 CompactionRL 关注将上下文压缩融入强化学习以支持长程智能体训练；Tev 关注的是环境与奖励层面的扩展（可验证稠密奖励 + 潜世界数据构造），两者在“长程智能体如何可训练”这一问题上互补，但技术路径不同。
• 本条未涉及多教师在线策略蒸馏或基于图的工作流编排，与相关既有卡片无直接事实重叠。

局限与不确定性

• 论文声称 ALE-CM 上的对比结果匹配 GPT-6 Astra 与 Claude Opus 5、TB 2.1 上达到 Claude Opus 4.8 级别，但具体评测设置、基线版本与统计口径待核实。
• Tev-Gym 覆盖 7 个领域的具体领域清单、任务数量分布与验证方式细节待核实。
• PPRS 的实现细节（势能函数形式、与标准 RL 目标的结合方式）摘要未展开，待核实。
• 模型规模、训练算力与训练数据规模等训练成本信息摘要未给出，待核实。
• “首个具备可验证稠密渐进式奖励的长程智能体训练数据集”为作者自述，是否成立待核实。

可用于图书/PPT/简报的角度

• 长程智能体的“数据荒”与“奖励稀疏”双重瓶颈，以及可能的破解路径。
• 潜世界优先：把正确性验证前置到规范层，再渲染为可训练环境——一种可扩展的任务合成范式。
• 稠密进度奖励（PPRS）如何把“不可训练”的长程任务变为“可训练”。
• 开源模型在长程任务上追平闭源前沿的案例与边界（训练域与泛化域的关系）。
• 长程能力与自动化发现、RSI 之间的关联叙事。

原始材料

• 标题：Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
• arXiv ID：2610.18868v1
• 作者：Wenbo Hu, Shraman Pramanick, Krishna Kumar Singh, Nanyun Peng, Kai-Wei Chang, Yong Jae Lee
• 发布/更新：2026-10-13T17:59:51Z
• 主分类：cs.CL；分类：cs.CL, cs.AI, cs.CV, cs.LG
• 摘要页：https://arxiv.org/abs/2610.18868v1
• PDF：https://arxiv.org/pdf/2610.18868v1
• 关键词（英文）：long-horizon agents, dense progress rewards, latent-world-first, progress-potential reward shaping (PPRS), Tev-Gym, Tev-27B, Agents' Last Exam (ALE-CM), Terminal-Bench (TB)