一篇针对大量公开后训练轨迹的新论文揭示了一个尴尬现实：智能体在自我训练的第一步就锁定了策略，剩余预算全部用于局部微调，无法实现真正的递归自我改进。

三种升级方案，两种见效但未破局

打开网易新闻 查看精彩图片

研究者尝试了三种升级路径。其中，经验驱动脚手架方案表现最为亮眼：在GSM8K数据集上提升12.6分，在HumanEval上提升40.8分。但即便成绩显著，策略本身依然处于冻结状态，未能跳出初始框架。

另外两种方案——人类引导和额外推理算力——均未能触及问题根源。

核心症结：缺乏“重新考虑”的能力

论文指出，智能体在执行过程中缺少一个关键机制：重新考虑策略的能力。这导致它一旦选定方向，便再无回头路，只能在同一路径上反复打磨，无法实现质的飞跃。