MiRL 论文：错误靶向 RL 让终端 agent 重复犯错减少 43-57%

北卡团队发布 MiRL，把错误靶向学习引入终端 agent 训练，从跨环境复现的 misbehavior 发生步骤启动 rollout。在 Qwen3.5-4B 上，8 类 misbehavior 占全部错误步骤 52.1%，训练后重复犯错减少 43%-57%，Terminal-Bench Lite 以 51.8% 超过 TMax-4B 的 47.4%。