Тев: расширение долгого и Горизонского агентного окружения с наградой за прогресс

arXiv: 2610.18868v1 Аннот. Новое резюме: Длинные горзоны привлекли все большее внимание к своей способности самостоятельно -- от нескольких часов до дней -- работать над экономически ценными задачами, возможностями, необходимыми для автоматизированного обнаружения и рекурсивного самосовершенствования (РСИ). Тем не менее модели с открытыми исходными кодами по-прежнему борются за решение долгосрочных задач, главным образом из-за отсутствия как данных о подготовке кадров, так и рабочего рецепта. Мы обращаемся к обоим. Во-первых, мы введем Tev-Gym — первый набор данных о агентах длительного времени с поддающимися проверке, плотными и прогрессивными наградами -- 1170 проверенных целевых условий по семи областям. Она основана на подходе, основанном на скрытом мире - первом, который сначала создает скрытый мир: полную и правильную скрытую спецификацию домена задачи, рабочего потока и ожидаемого состояния после каждого шага. Затем каждая задача постепенно переводится из этой спецификации в среду, ориентированную на агент, анаблин