代理評測與可靠性
TRACE 從成功與失敗軌跡改寫代理 Skills，隱藏測試一致通過率升至 70%
小米團隊提出 TRACE，以成功／失敗軌跡的對比結果迭代可檢索 Skill Bank，不修改底層模型權重。它在 CAR-bench 隱藏集提高三次皆成功的比例，但平均 token、成本及延遲亦同步增加。
8 月 24 日公開的 TRACE（Trajectory-Contrastive Evolution）把代理可靠性問題從「再訓練模型」改寫成「迭代行為知識」。系統先讓代理在 CAR-bench 執行多輪任務，再按實際調用的技能把軌跡分組，對照成功與失敗案例，改寫各項工具規則、澄清策略及能力邊界，形成可檢索的 Skill Bank。部署時，Actor 會依每一輪的對話及環境狀態重新選取技能，而不是在開場一次塞入整本規則。
CAR-bench 模擬車載助理，包含 58 項互相關聯的工具及 19 條領域政策，並特別測試缺少工具時是否虛構成功，以及遇到模糊要求時是否先查詢或澄清。評分除 Pass@3——三次至少成功一次——也使用 Pass^3，要求同一題三次全部通過；後者更接近生產系統對穩定性的要求。
在作者合併訓練集與公開測試集的實驗中，GPT-5.5 的 Pass^3 由 59.9% 升至 94.5%，GLM-5.2 則由 62.8% 升至 84.8%。Skill Bank 只利用 GPT-5.5 軌跡演化，套用到 GLM-5.2 時仍有增益，顯示文字化行為規則可能跨模型轉移。改善最明顯的是消歧任務：兩個模型分別增加 55.3 與 35.7 個百分點。
較具參考價值的是 30 題、每題三次的官方隱藏集。使用相同 GPT-5.6-Sol 骨幹時，TRACE 的 Pass^3 從 50% 升至 70%，但平均每次試驗 token 由 82,179 增至 141,684，估算成本由 0.17 美元升至 0.27 美元，中位延遲亦增加 22%。此外，公開資料集同時用於技能演化與評估，94.5% 不應視為純粹的未見資料泛化結果；隱藏集樣本也偏小。下一步須在更多工具領域驗證轉移能力，並公開技能演化程式與完整軌跡，確認增益不是針對 CAR-bench 規則的人工或自動過度擬合。