腾讯混元做终端 Agent 训练法，成功率翻倍

让 AI 在命令行里自己干活，卡壳的地方从来不是「不会判断」，而是判断完了不会把参数填对、把步骤走通。腾讯混元最新发表的这项研究，就冲着这个缺口去的。

一、发生了什么

据智东西 10 月 19 日报道，10 月 15 日，腾讯首席 AI 科学家姚顺雨带领的混元前沿团队，联合新加坡国立大学等四所高校的研究人员发表论文，提出面向终端智能体的递归训练方法 Terminal-RSI。研究以阿里通义千问开源的 Qwen3.8-27B 为基座，训练出 Terminal-RSI-27B。

方法的骨架是两种机制交替迭代：一种从通过验证的成功轨迹里提炼可复用的操作步骤，筛选后喂回模型学习；另一种用强化学习继续打磨执行策略，并重新校准价值网络。两者轮着来，共跑五个阶段。论文还设计了按交互回合处理奖励衰减的改进，避免模型因为环境日志长就获得不合理的训练权重。

成绩单是：四项终端基准的平均成功率从基座模型的 20.68% 提到 50.58%，翻了一倍多；其中一项基准拿到 86.52%，一项从零提到 19.84%。按难度分层看，简单任务成功率从 31.78% 升到 72.88%，困难任务从 14.91% 升到 49.12%。奖励机制调整后，失败轨迹瓜分奖励的比例从五成降到不足三成。

二、跟你有什么关系

做 Agent 产品的团队：先从成功轨迹提炼经验再强化学习，比直接强化学习效果好，这条路线可以参考。

企业 IT 部门：终端自动化离实用又近了一步，但离生产环境还有明显距离。

研究者：论文自己列的局限写得很诚实，复现时要留意验证边界。

三、怎么判断

1. 看长时程任务的成绩，别只看翻倍标题。在 46 项任务的长时程测试里，严格通过全部验证的完成数只从 0 增到 5 项——阶段性通过不等于完整交付，这仍是硬缺口。
2. 看极难任务的数据。这类任务的成功率在训练各阶段来回波动，最终也没有突破两位数的起点，说明方法对最难的任务基本无效。
3. 注意统计口径。所有成绩基于单个 27B 模型、每阶段 3 次独立评估，论文自己承认这不构成统计显著性证明，也解释不了提升到底来自哪一项机制。

四、三个别信的说法

「终端 Agent 已经能顶替运维了。」 错。基准测试只验证检查规则覆盖的要求，论文明确说不能据此认定真实软件环境里可靠。

「成功率翻倍等于能力翻倍。」 不对。从 20% 到 50% 的提升集中在简单和中等任务上，难度越往上提升越薄，最难的部分原地踏步。

「这是腾讯独家的模型突破。」 不准确。基座是通义千问的开源模型，方法是训练策略而非新模型，论文也尚未经过同行评议。

五、一句话结论

会判断不等于会干活——从成功经验里学，是让 Agent 把活干完的第一条被验证的路。

信息来源

• 腾讯混元炼出 Agent 版 RSI，基于 Qwen3.8-27B，终端任务成功率翻倍 - 智东西（2026 年 10 月 19 日）

功能与价格以官方公告为准。本文写于 2026 年 10 月 20 日。