Environment Evolution 離策略提升終端訓練難度，兩款 Qwen 代理增加 14.4、18.0 個百分點

騰訊混元與合作研究者提出 Environment Evolution，嘗試解決終端代理訓練中的環境飽和問題。現有共演化方法通常先讓目標模型在任務中 rollout，再根據失敗案例產生更難環境；模型逐漸變強後，失敗訊號會變少，而且生成出的難度容易綁定特定模型。新方法改從多輪學習目標推導離策略難度，將影響因素拆成情境新穎度、技能稀有度與預期執行長度，不必依賴目前受訓代理的通過率。

實作採用多代理、雙回饋迴圈。第一個迴圈提出並審查環境演化計畫，第二個迴圈依計畫修改環境，再反覆修復至通過可解性與品質檢查。每個被接受的環境成為下一代起點，形成逐代加難的 lineage；若某個方向耗盡修復預算，系統會切換至其他難度方向。這與單次合成大量任務不同，重點是讓訓練過程持續取得仍有區辨力的可驗證互動環境。

作者以 Hy4 preview、Claude Opus 5 與 GPT-5.6 Sol 執行 rollout，稱不同模型都會隨世代感受到難度上升。接著對 Qwen3.6-27B 與 Qwen3.6-35B-A3B進行 200 步長時程強化學習；兩者在 Terminal-Bench 2.1 分別提升 14.4 與 18.0 個百分點，峰值為 71.5% 和 64.9%，並高於論文中的共演化與環境組合基線。

這些數字尚不能直接外推至一般軟體工程代理。論文是未經同儕審查的預印本，附錄也承認更多細節及「同一模型生成並學習環境」的實驗仍待後續版本；目前亦未見完整程式、環境映像與訓練資料發布。值得觀察的是跨模型、跨基準重現，以及逐代合成與驗證所增加的推論及運算成本。