#AppWorld

做长任务 Agent 的朋友看看这篇：TRACE 用 590 个真实压缩边界回放数据测了压缩时机怎么选，结论是历史行为预测力很弱，数据和方法都开源了。

TCPO把验证器分数拆成每一步的信用，让模型知道哪个回合真正有用，在数学、代码和Agent任务上都有效果。

这篇论文用Qwen3-8B做了AppWorld上的合并vs联合训练对比，发现合并效果不输联合训练，而且解释了为什么不同合并方法结果差不多。