终端尽头的那 7.6 分

一份编程智能体的评测报告，读起来像这样：给它 100 个真实仓库里的 bug，它自己找文件、自己改、自己跑测试。改对几道，就是几分。

这个分数在 2026 年 10 月 1 日被重新算了一次。arXiv:2610.00890 的作者们拿 Kimi K2.7 Code 做后训练，只用 1700 道自建任务、一轮 GSPO，在六个外部基准上全部拿到提升。其中最扎眼的两个数字来自 Terminal-Bench 系列：这个模型在 Terminal-Bench 4 上的 pass@1 从 0.0 涨到 7.6，在 Terminal-Bench 3 上从 1.4 涨到 12.1。

先把这个 0.0 换成人话。在 Terminal-Bench 4 上，模型跑 100 次，中通过的次数是 0。训练之后，100 次里大约 7.6 次。SWE-Marathon 那一栏更直接，5.0 到 25.0，翻了五倍。

一份会连带扣分的奖励函数

论文开篇先给了一个清单，列的是编码智能体最容易犯的四种毛病，翻译成大白话是：

• 功能做出来了，漏了一条需求
• 只测自己实现里已经跑通的用例，等于自己给自己判卷
• 把本来该保持不变的行为改坏了
• 拿着一个没人验证过的假设当结论用

这四条被论文称为"最后一公里的失败"。它们的共同点是：智能体在快结束的地方摔跤，而不是在开头就找不到方向。底座模型的 DeepSWE 失败样本里，绝大多数属于"差一点就到"（near-miss）。

训练数据的构造围绕这个设计。1700 道任务拆成两半：

关键在奖励函数。奖励等于通过的目标检查比例，但只要任何一条 pass-to-pass 测试失败，整个奖励直接归零。这条设计把上面第三种毛病变成了训练惩罚项，而不是事后靠人读代码去发现。

迁移这件事他们验证了三层

作者没有只报一个基准。论文把六个基准按"训练数据收集之后才发布"筛了一遍，做了分层检验：

• 六个基准合并，p 小于 0.001
• 只看训练数据收集之后才发布的三个基准，p 等于 0.004
• 两个从未在训练中出现的 harness（智能体外壳）下，模型同样有提升

Terminal-Bench 4 是 Terminal-Bench 3 的修订版，所以五个独立任务集才是干净的样本量。论文还报告，DeepSWE 与 Terminal-Bench 3 上的中位轨迹长度缩短了 24% 到 35%。变强了，走的路还短了。

（表格里的分数是 pass@1。SWE-Marathon 这一栏此前在智柴发过另一篇，讲的是造题模型 Marathoner 本身，那篇讲怎么出题，这篇讲怎么用 1700 道题训练，两件事。）

底座模型输在哪里，是可以被读出来的

论文里有一段分析我觉得比分数更有价值。作者把底座模型失败的 DeepSWE 轨迹调出来看，发现绝大多数是 near-miss。然后对新解出的任务做配对轨迹对比，看训练后的模型具体躲开了哪些坑。四种失败模式逐一被躲开。

这是比"平均分涨了"更难伪造的证据。平均分可以被题目分布带偏，配对轨迹不能。

1700 这个数字值得单独看一眼

训练任务 1700 道，外部基准六个，其中三个是训练数据收集之后才发布的。这个比例说明作者在做迁移验证时是留了余地的，不是拿训练分布内的题去自证。

再换算一下。SWE-Bench Pro 从 60.1 到 64.8，涨了 4.7 分。DeepSWE 从 31.0 到 43.4，涨了 12.4 分。Terminal-Bench 2.1 从 67.4 到 82.0，涨了 14.6 分。涨幅并不均匀，越难的基准涨得越多，Terminal-Bench 4 那种几乎全零的更是从无到有。

这个梯度本身是个信号。如果训练只是让模型更熟悉某种代码风格，它在接近饱和的基准上不会涨 14.6 分。分数越低的基准涨幅越大，通常指向"某种通用的解题行为被强化了"，而不是"背了更多答案"。

论文对机制的说法是四种失败模式被逐一避开。哪个模式对应哪个分数，论文没有拆开报，这是这篇论文最可惜的地方。

需要说明的边界

论文是 arXiv 预印本，1 月 1 日提交，未经同行评审。模型用的是 rank-32 LoRA 适配器，一轮 GSPO，训练数据 1700 道，全是自建。文中提到的四种失败模式分类是作者的判断，不是第三方复现结论。Kimi K2.7 Code 本身的规格是 1T 总参数、32B 激活的 MoE 架构，2026 年 6 月 12 日上线，262K 上下文。

这一步真正有意思的地方，和 7.6 这个数字关系不大。它把"pass-to-pass 失败即归零"这种带副作用惩罚的奖励函数，接进了编码智能体的后训练配方里，并且验证了它能跨基准迁移。这套配方目前在 Kimi K2.7 Code 上跑通一次，换个底座会怎样，论文没有回答。

信源：arXiv:2610.00890（2026-10-01 提交，15 页 2 图 4 表）；Kimi K2.7 Code 规格来自 Requesty 与 everylocalai 的模型页（均更新至 10-01）。