UCLA 与 Adobe 提出 Tev：用稠密进度奖励构建长程智能体训练环境
先把「答案世界」建好再出题，让长程任务的过程进度也能打分，从而补上开源模型最缺的长程训练数据与奖励信号。
开源模型在长程智能体任务上落后，主要卡在两处：没有长程训练语料，奖励又过于稀疏——整组 rollout 全失败时，GRPO 拿不到梯度信号。UCLA 与 Adobe Research 提出 Tev：先构造含标准答案的潜在世界，再从中渲染题目，并配套进度势能奖励塑形（PPRS），用过程进度差给每一步打分。由此训练的 Tev-27B 在 ALE-CM 上 Pass@5 达 0.28，与 GPT-6 Astra、Claude Opus 5 持平。
正文摘录
.jpg)  从连续工作数小时到数天，长程智能体（long-horizon agents）正成为大模型竞争的新焦点，也被视为通往自动化科学发现乃至递归自我改进（RSI）的关键能力。但开源模型在长程任务上仍明显落后：既缺训练数据，也缺行之有效的训练配方。 近日，Adobe Research 与加州大学洛杉矶分校（UCLA）的研究团队提出 Tev：构建了首个带有可验证、稠密、渐进式奖励的长程智能体训练集 Tev-Gym（1,170 个环境，覆盖 7 个领域），并提出 进度势能奖励塑形（PPRS）。由此训练出的 Tev-27B 在 Agents' Last Exam 的计算与数学领域（ALE-CM）上 Pass@5 达到 0.28，与 GPT-6 Astra、Claude Opus 5 持平；同一配方训练的 Tev-320B 则是 Terminal-Bench 4.0 计算与数学子集上最强的开源模型。