Terminal-RSI论文解读：Qwen3.8-27B经五阶段递归自我改进，Terminal-Bench 2.1从51.7%升至86.5%

Yucheng Shi等9位作者的arXiv论文与X帖子

Terminal-RSI的全称是Terminal-RSI: Recursive Self-Improving Terminal Agents via Recursive Self-Rewrite and Policy-Refine，2026年10月15日投稿到arXiv，编号2610.22192。

作者共9人：Junyao Yang、Zongxia Li、Yucheng Shi、Zhongzhi Li、Ruhan Wang、Ruiwen Zhou、Haitao Mi、Shuicheng Yan、Leowei Liang。其中Yucheng Shi是腾讯混元LLM Frontier的研究科学家，在佐治亚大学（University of Georgia）取得博士学位，个人主页为 https://sycny.github.io/ 。

2026年10月16日，Yucheng Shi用账号@Yucheng__Shi在X上介绍了这项工作，帖子约有78,211次浏览、708个点赞、656次收藏和87次转发。最吸引人的是那个循环：用智能体训练出后继模型，再让后继模型去训练下一代。27B模型在Terminal-Bench 2.1上从51.7%提升到86.5%，在Terminal-Bench 4.0上从0.0%提升到19.8%，作者称之为新的SOTA。

论文页面为 https://arxiv.org/abs/2610.22192 ，提供PDF和HTML（experimental）两种版本，免费阅读、无需注册。Yucheng Shi主页的Publications和News栏目也列出了相关研究。需要注意，这是研究论文而不是可下载的产品，论文的正式机构署名以论文首页为准。

出处[1][2]

RSR与RPR交替的五阶段训练和各基准成绩

训练以Qwen3.8-27B为起点，按RSR-1、RPR-1、RSR-2、RPR-2的顺序推进，加上起点共五个阶段。RSR（Recursive Self-Rewrite）对已经验证成功的轨迹做递归式自我改写；RPR（Policy-Refine）则继承上一阶段的评论模型（critic），在此基础上精炼策略。两者交替进行，每个阶段发现的行为都会被整合进下一阶段。

为了让循环稳定，论文加入了几个组件：TB-GAE在回合边界跳过观测、同时保留按token计算的基线；FDR在不同任务族之间校准语义上的进度；SPR把严格成功和部分得分分开计算。再加上预热评论模型（Warm-up Critic Model）、递归的评论模型交接（recursive critic handoff）和按阶段设定的学习率，两个改进阶段才不至于失控。

最终模型Terminal-RSI-27B在Terminal-Bench 4.0拿到19.84%、2.1拿到86.52%、3.0拿到16.95%、Hard拿到79.00%。在长程终端基准LHTB上，过程奖励从0.21升到0.37，严格完成数从0/46升到5/46；SWR100的成功率从3.00%翻倍到6.00%。论文的核心论点是：模型从零散的局部修补，逐步走向经得起终端严格验证的完整解决。

出处[1]

怎么读这篇论文、相关研究与未公开的部分

建议先读摘要，弄清RSR、RPR、TB-GAE、FDR、SPR各自负责什么，再顺着五个阶段的数字变化往下看，理解会快很多。论文强调的要点有三：已经验证过的成功不要丢掉，而是递归地改写复用；继承评论模型来保持稳定；按任务族正确评估进度。自我改进在哪里会停滞，也是作者关心的开放问题。

Yucheng Shi主页列出的相关工作也值得一并看：Long-Horizon-Terminal-Bench收录46个长程终端任务，并用细粒度子任务打分；Recursive Synthesis for Long-Horizon Terminal Tasks用15轮生成了37,484个经过验证的任务，每个成本约0.05美元；Stale but Stable研究异步强化学习的稳定化，MobileGUI-RL做移动端GUI的在线强化学习，Harness Handbook则是研究笔记。

目前仍不清楚的有三点：是否有公开的Demo或API、开发方与所属机构的确切信息，以及收费和商用条件。想参与讨论，可以从X上的原帖转发论文链接，复现前请先确认论文页面是否附带代码、数据或权重。

出处[1]