MiRL：错误靶向 RL 训练终端 Agent
先了解这件事
2026 年 10 月 28 日，据 AGI Hunt 报道，北卡团队提出 MiRL，把错误靶向学习引入终端 agent 的训练流程：他们从跨环境可复现的 misbehavior 发生步骤处启动 rollout，而非从头采样。研究在 Qwen3.5-4B 上统计发现，8 类 misbehavior 占全部错误步骤的 52.1%；经该方法训练后，agent 重复犯错减少 43%–57%，在 Terminal-Bench Lite 上取得 51.8%，高于 TMax-4B 的 47.4%。同日后续报道补充，MiRL 仅用 35% 的 rollout 量和 189 个训练环境，便在 Terminal-Bench Lite 上超过 TMax-4B，在 Terminal-Bench 2.1 上与之持平；该报道把上述比例表述为“8 类错误占 52% 失败步骤”，与早先报道的“占全部错误步骤 52.1%”数字基本一致。两篇报道均未披露更多训练细节与完整对比基线。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AGI HuntMiRL：8 类错误占 52% 失败步骤，用 35% rollout 训平 Terminal Agent
研究者提出错误驱动强化学习方法 MiRL，仅用 35% 的 rollout 量和 189 个训练环境，便在 Terminal-Bench Lite 上超过 TMax-4B、在 Terminal-Bench 2.1 上与之持平。
- AGI HuntMiRL 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%。
本事件热度走势
当前热度 10·可比范围峰值 10（10月28日 02:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。