Tev-27B：基于密集进度奖励的长视界智能体训练方法

长周期智能体因其在经济价值任务上能够自主运行——从数小时到数天——而受到越来越多的关注，这一能力对于自动化发现和递归自我改进（RSI）至关重要。然而，开源模型在长周期任务上仍然表现不佳，主要缺乏训练数据和可行的方案，且两者都难以扩展：长而复杂的任务难以收集和验证，且其奖励稀疏。我们解决了这两个问题。首先，我们引入了 Tev-Gym，这是首个具有可验证、密集、渐进式奖励的长周期智能体训练数据集——涵盖 7 个领域的 1,170 个经过验证的任务环境。它基于一种“潜在世界优先”的方法构建，该方法首先构建一个潜在世界：即对任务领域、工作流程以及每一步之后预期状态的完整且正确的隐藏规范。随后，每个任务都根据此规范逐步呈现为面向智能体的环境，从而实现可控的复杂度和自然的进度指标。其次，我们将该指标转化为训练方案：通过潜力奖励塑造（PPRS），我们将进度转化为密集的每步奖励，从而提高训练效率并使原本难以处理的任务变得可训练。使用该方案训练得到了 Tev-27B，它在 Agents' Last Exam 的计算和数学科学领域（ALE-CM）取得了显著的提升，在 Pass@5 上与 GPT-6 Astra 和 Claude Opus 5 持平。尽管仅在 ALE 相关数据上进行训练，它仍能泛化到 Terminal-Bench (TB) 3.0 和 4.0 子集，超越了 GLM 5.2 和 Gemini 3.7 Flash，并在 TB 2.1 等中等周期任务上达到了 Claude Opus 4.8 水平的性能。