Apodex 1.1：面向复杂工作的智能体智能扩展 Apodex 1.1: Scaling Agentic Intelligence for Complex Work

步骤一，环境构造。文件世界从底层业务状态、权威关系、推导逻辑与交付要求出发，反向投影成工作区（“正向构造便宜、逆向求解昂贵”：生成器用隐状态或参考程序廉价构造并求解世界，智能体只见渲染后的工作区并须在约束下恢复路径）；搜索世界把金标准定义为相关源集合、主张-证据对齐与显式不确定性；代码世界用共享基础镜像加任务级仓库状态组装，收割世界的 fail-to-pass 测试必须在基态失败、参考改动后通过，pass-to-pass 测试须两态皆过。步骤二，验证与重放：每次 rollout 获得不可变 world manifest 与新鲜可变沙箱，sticky routing 保持会话在单一 worker；重放记录含种子、生成器版本、工具版本、动作-观察序列、文件增量、验证器版本与终止原因，只有初始状态可重建、执行隔离、验证器可重放的轨迹才保留为训练信号。步骤三，Agent Team 运行时：主代理先写任务板（每项含有界目标、依赖、所有者、分辨率状态），派发子代理，接收分阶段返回；用户干预经消息队列准入——保持 $(q,D)$ 不变的更新走看板失效传播，实质改变目标则开新任务契约并携带仍有效的状态；对承重结论派发窄化验证；最后经证据图构建与写作代理两阶段合成产出交付物。步骤四，AgentOS 保障：按推理端报告的 token 用量触发分层压缩（先逐出旧工具观察体，不足再 LLM 摘要），软/硬双预算加截止前钳制与有界的无工具报告恢复，单发布者租约、精确 manifest 与基线对账控制 /outputs 交付。步骤五，训练：SFT 混合覆盖推理、工具、搜索、文件、代码、数学、专业交付与协调并做 model soup；PIVOT-RL 用回溯分析定位 pivot，保留有用前缀并构造带短提示的局部续写任务（提示只给方向、永非预测目标、推理时移除；有状态任务同时恢复环境状态），与无提示全任务混合，异步进入优化。

技术新颖性分析：(1) PIVOT-RL 把长轨迹的片段级信用分配转化为“保留有用前缀 + 只在关键决策点局部续写”的定向优化，区别于 Search-R1/RAGEN 等对整条轨迹统一计算回报的做法；短提示永不作为预测目标且推理时不可见，兼得样本效率与端到端自主求解，配异步优化适配长任务的不规则 rollout 流。(2) 不对称验证把 Chain-of-Verification 的思想搬进活体智能体团队：不对称在任务而非模型规模，产出可执行的修复信号而非第二链错误。(3) 任务板从可视化升级为持久控制面与最终化门：规划模式下 finish_planning 前禁写文件与派发，协调器拥有语义字段而运行时拥有执行状态，二者分离防止看板更新覆盖在跑任务。(4) 交付控制用单发布者租约、精确 manifest、终局基线对账与 /outputs/scratch 共享配额区，把“生产工件”与“声明交付”分离，空文件或旧轮次同名文件无法满足交付契约。(5) 难度定标用获取压力坐标 $\rho_{acq}(E)=\frac{N_{cand}(E)+N_{hop}(E)}{B_{tool}(E)}$（候选数+关键证据跳数除以工具预算）而非文件数量，避免“更多 token 但权威路径显然”的伪难度。

(1) 自建基准闭环的自我强化风险：FrontierSearchBench、FrontierResearchBench 与 HDS6 由同一团队构造、定标、评分并用于驱动 Task Pipeline，“失败归因→构造新任务→训练”的循环容易过拟合内部分布。改进方向：基准交第三方托管与盲评，或开放任务提交接口引入外部任务分布。(2) 端到端交付能力短板明显：FrontierResearchBench 12.4% 的通过率意味着近九成任务无法完整交付，瓶颈可能不在单点能力而在跨工件一致性与长时程规划；改进方向是把跨工件一致性检查从终局 Grader 前移为运行中的不变量约束。(3) 评审链依赖外部商业模型（GPT-5.5、GPT-5.6-Sol、Claude 系列），成本高且评分标准不可控；可训练专用的过程评审模型并与人类评审校准。(4) 协调平面持久性不足：任务板与 Agent Bus 不做与工作区文件系统的联合检查点，异常终止后只能保留工作区现状，恢复语义弱；可实现协调状态的 WAL 日志与联合版本化。(5) 难度定标不完备：$\rho_{acq}(E)$ 只覆盖信息获取型任务，代码世界的定标坐标（依赖深度、测试可观察性、失败到验证信号的距离）仍是定性描述，缺乏统一可计算的难度度量。(6) 干预语义依赖训练分布：论文列举了约 12 类干预消息（澄清、改优先级、撤稿、暂停等），分布外的干预类型行为没有定义，可能出现误失效传播。

作者提出的方向：向 Heavy-Duty Solver 演进，承接更具雄心、长运行、可验证的工作；继续扩展可执行环境的覆盖与保真度；加强更长时程上的学习协调；改进层级轨迹上的训练与信用分配；打通真实失败、任务构造、训练与评测的闭环；协调状态、消息历史与工作区的联合版本化被明确点名为 AgentOS 机制的“自然延伸”。基于成果可延伸的方向：(1) 把不对称验证推广为可学习的验证策略——动态决定哪些主张值得窄化攻击、用哪类独立证据源三角验证，形成生成与验证的博弈式共同训练；(2) PIVOT-RL 的 pivot 定位目前靠回溯分析，可与过程奖励模型结合实现训练中自动定位，去掉人工回溯环节；(3) 环境扩展的“职业条件化注册表”（33 领域/318 职业/1208 交付簇）可开放为社区共建生态，类似 SWE-bench 的社区任务贡献路线；(4) mini 在 35B 上的成功提示可继续下探模型规模，系统研究智能体工作能力的最低可行参数规模及其随协调算力的换算关系；(5) FrontierResearchBench 的跨工件一致性 Grader 思想可反哺为训练奖励，专门奖励可执行代码、结构化数据、图表与报告之间的相互一致性。

开源情况较好但训练细节缺失。模型权重已在 HuggingFace 公开（apodex/apodex-11 集合，含 35B mini），代码库在 GitHub（ApodexAI/FrontierAgent），并提供 API 平台。评测侧可复现性中上：主表基本使用公开基准（GDPVal、APEX-Agents、FrontierFinance、FrontierScience、BioMysteryBench、HLE、DeepSearchQA、MathArena、SWE-bench Verified、Terminal-Bench 2.1），并逐一注明外部基线哪些是官方报告值、哪些是作者内部复现。不可复现的部分：三个内部基准（FrontierSearchBench 41 任务、FrontierResearchBench 97 任务、HDS6）的完整任务集与 Grader 未随论文发布；训练侧的 SFT 数据配比、RL 算力规模、PIVOT-RL 回溯分析所用的模型、397B/35B 的架构与训练基础设施细节均未披露。复现训练需要大规模可执行环境集群、沙箱农场与异步 RL 基础设施，只有头部实验室可负担；复现评测则相对容易——权重加公开 harness 即可运行 ReAct 模式，Agent Team 模式依赖其运行时实现。总体判断：推理与权重层面可复现性中上，训练与内部评测层面可复现性低。