稠密进度奖励让长程智能体可训：Tev-Gym 与 Tev-27B

长程智能体能从数小时到数天自主完成有经济价值的任务，这一能力对自动化发现和递归自我改进（RSI）至关重要。开源模型在长程任务上仍挣扎，主因是缺乏训练数据与可行配方。长而复杂的任务难以策划和验证，奖励又极为稀疏。Tev 同时应对这两点。

Tev-Gym：潜在世界优先

Tev-Gym 被称作首个具备可验证、稠密、渐进奖励的长程智能体训练数据集，含 7 个领域共 1170 个已验证任务环境。方法是潜在世界优先：先构建完整且正确的隐藏规格，涵盖任务领域、工作流和每一步后的期望状态。再将每个任务从该规格逐步渲染为智能体可见环境，从而可控复杂度并得到自然进度度量。

PPRS 与 Tev-27B

作者把进度度量变成训练配方。进度势能奖励塑造（PPRS）将进度转为逐步稠密奖励，材料称其能提升训练效率，并使原本难以训练的任务可训。据此训练出 Tev-27B。该模型在 Agents’ Last Exam 计算与数学科学领域（ALE-CM）取得实质性提升，Pass@5 匹配 GPT-6 Astra 和 Claude Opus 5。尽管仅用 ALE 相关数据训练，摘要称其仍能泛化。

我的判断

Tev 的价值在于同时提供可验证长程环境和将进度转为稠密逐步奖励的做法，稀疏奖励是长程训练的核心障碍。Tev-27B 在 ALE-CM 的 Pass@5 上匹配两款点名模型，说明数据与奖励设计可以带来收益。适用边界需保守：结果限于 ALE-CM，数据仅 ALE 相关，1170 个环境、7 个领域对真正长周期任务覆盖有限；潜在世界要求完整正确规格，扩展成本材料未说明。局限在于缺少消融与对比细节，泛化表述不完整，Pass@5 不等于长程稳定性。这是一条值得关注的路线，但现有信息尚不足以称为完整可复用配方。