英伟达一篇新论文给出了一个反直觉的结论：想让智能体扛住长流程、多步骤的复杂任务，最有效的做法不是把模型练得更狠，也不是把技能文件写得更全，而是在两者之间来回切换。

论文里的说法很直接：只训练模型，或者只改技能配置，都会把大约一半的提升空间留在桌上。交替进行多轮更新，才能把这块空间捡回来。

打开网易新闻 查看精彩图片

问题出在打分方式上

大多数评测环境只给最终结果打分。任务跑完了，对就是对，错就是错，中间哪一步崩的，没人知道。

这种打分方式对长流程任务尤其不友好。一个几十步的工作流，最后失败了，可能是第三步读错了文件，也可能是第十七步调错了工具，但反馈信号里只有一句"整体没过"。

英伟达的做法是把评测过程拆开。VERA 构建了超过 9000 个可重启的沙箱，每一步都拿真实文件和日志去核对，给每个步骤单独打一个清单式的分数。

换句话说，长工作流里的每一步，都有了自己的成绩单，而不是等整场考试结束才知道总分。

分数决定下一步改哪里

有了逐步分数之后，接下来的问题就变成了：这一轮修复，应该改模型，还是改技能文件？

论文给出的答案是让分数来定。哪一步失分，就针对那一步决定修复方向——是模型本身的能力不够，还是技能配置没写对。

这个思路把原本混在一起的两件事拆成了两条独立的改进路径，然后交替推进。

在医学研究基准测试上，这套方法的效果被量化了出来。一个 9B 参数的智能体，两种更新方式都用上，得分 69.1。

只做技能编辑，得分 56.1。只做模型训练，得分 43.3。

三个数字摆在一起，差距不是一点半点。两种更新交替进行的组合，比单独做技能编辑高出 13 分，比单独训练模型高出近 26 分。

长流程任务需要不同的改进节奏

这套方法的核心逻辑可以概括成一句话：拿真实产物给每一步打分，再让这些分数决定下一次修复是进模型还是进技能。

对做智能体的人来说，这个结论指向一个具体的操作习惯——不要一次性把模型练到底，也不要指望把技能文件写到完美，而是让两者在轮次里互相补位。

9000 多个可重启沙箱的意义也在这里：它把一次性的基准测试，变成了可以反复进入、逐步归因的训练场。