英伟达一篇新论文给出了一组对比数字：在医学研究基准上，一个9B参数的智能体，同时更新模型和技能文件时拿到69.1分；只改技能是56.1分，只训练模型是43.3分。

论文的结论很直接：面向长流程、多步骤任务的智能体，在"训练模型"和"编辑技能文件"之间交替进行时，提升幅度最大。只做其中一件事，大约会丢掉一半的收益。

打开网易新闻 查看精彩图片

问题出在打分方式上

多数环境只对最终结果打分。一个长流程跑完，分数出来了，但中间哪一步出了问题、哪一步拖了后腿，全被这个总分盖住了。

这就让改进变得盲目：不知道该往模型里补训练，还是该去改技能文件里的某一条规则。

VERA 的做法是把打分拆到每一步。它构建了超过9000个可重启的沙箱，每一步都对照真实文件和日志来检查，给出该步骤自己的评分。

分数决定下一步改哪里

有了逐步评分，下一步的修复方向就不再靠猜。论文给出的思路是：用每一步的评分对照真实产物，由这些分数来决定下一次修复是落到模型上，还是落到技能上。

两种更新交替进行，而不是二选一。这也解释了那组分数差距的来源——只练模型或只改技能，都只覆盖了问题的一半。

VERA 把基准测试的运行过程，转成了9000多个可重启沙箱。长工作流的每一步，都能从真实证据里拿到属于自己的清单式评分。

对做智能体的人来说，这个思路的价值在于：长流程任务的失败往往不是单点问题，而改进手段也不该是单点的。