ClawLoop：基于原生训练循环的自我改进智能体
事件
大语言模型智能体正越来越多地在沙箱工作区中运行，直接操作文件系统和命令行。但针对这类「工具环境型」智能体的后训练流程仍然稀少，且大多是一次性的、依赖外部教师模型：由更强的模型合成任务并收集轨迹，目标智能体只训练一次，评估结果只供人类研究者参考，并不回流到训练循环中。这种模式受限于外部模型的能力和人类先验的范围，无法实现自我改进。
为此，研究者提出 ClawLoop 框架，无需任何外部教师模型，也几乎不依赖先验知识。它把三个阶段组成一个自我维持的循环：任务合成阶段通过两种互补的构建方式生成多样化训练任务，并施加诊断条件化的难度增长，再经过无智能体和有智能体两种验证；训练阶段通过监督微调或强化学习更新智能体；诊断与反馈阶段分析智能体的 rollout 行为，生成能力分析报告，作为下一轮任务合成的反馈。
以 Qwen3.6-27B 作为循环模型，ClawLoop 在 SkillsBench、Claw-Eval-Live 和 ClawGym-Bench 上均取得稳定提升。迭代精炼后的任务还能迁移到更小规模的 Qwen3.5-4B 和 9B 模型，在所有基准上同样带来增益，说明数据质量可以独立于循环模型本身。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*