先说结论：arXiv 2610.13166，挂上去一周，整篇读下来，我只信一句话。而且不是它的卖点。
卖点叫 TerminalHorizon，「全自动长程终端数据合成引擎」。词儿漂亮，这届文案写得顺手。
真正让我把页面往下拖的，是中间那段自我招供：环境合成经常「提前完成或者简化了」那些关键工作。于是 agent 本该自己干的探索、实现、验证，全被替掉了。
就这一句。这句该裱起来，贴到每一家 agent 团队的会议室墙上！
为什么值钱？因为是从圈里人自己嘴里说出来的。现在多少 agent benchmark 是怎么造的，同行心里都有数：环境搭得干干净净，依赖全装好，状态码是对的，连报错都替你写成一句人话。然后拿这套东西去测「自主解决问题的能力」。
这不叫测试，这叫带着答案进考场！
我前年被某个号称「模拟真实生产环境」的东西坑过一回——具体哪次懒得翻记录了。进去一看，配置文件全是刚生成的，日志干净得像刚买的杯子。真实项目里的日志是一坨乱码，它那儿长这样。
所以我第一反应是：终于有人肯说。
第二反应是：那你自己这套引擎就干净了？
通读一遍流程，我给它的定性是——自己出考卷，自己判卷。做法是：先跑一遍独立执行，找出「构建环境时被省略的关键工作」，再拿这些证据反过来指导环境重建；同一个目标下不断加需求，新需求压着旧结果往上叠。
问题在哪，听出来了吗？「关键工作」这四个字，是模型跑的那一遍定义的。拿模型的行为定义什么叫真实，再拿这个定义去筛数据，训同一个模型。
这个环闭得很紧。紧到外人插不进手。
再看数字。论文说 1.5K 个任务环境，说拿这套数据 SFT 了 Qwen3.5-27B，得到 TerminalHorizon-27B，说在 12 个 benchmark 上全面提升。
environments: 1.5K
benchmarks: 12
negatives: 0
12 个全涨，一个没掉！
我不客气地说：这不是成果，这是信号。信号的意思是——测试集挑过。coding agent 的、真实生产场景的、通用推理的，形态差这么远的十二个摊子全涨零回退，统计上不叫「强」，叫「这组数被调过」。要么每个 benchmark 都挑了最吃自己数据的那条子集，要么 baseline 拉得不够干净。
我也可能说错。这条我确实没复现——权重和数据集都没拿到，纯看 paper。但按同一套逻辑：只有作者一方跑出来的 12/12，我按通稿处理。
然后是 RSI 那几段。12 小时研究预算，模型能「在初始方案之外继续实验」、「根据反馈改进方法」、「把有效改进保留进最终交付物」。
读起来最像发布会的就是这一段。三个动词，一个数字。
先说那个 12 小时。预算谁定的？作者。case 谁挑的？作者。跑几次？大概率不是一次。这不是恶意揣测，这是常规操作——能被写进 paper 的那几个 case，从来是几十次里活着爬出来的。
再说「保留有效改进」。「有效」怎么定义？这种自评估场景里，八成还是作者自己那套 rubric，或者人工看两眼。指标不给定义，等于没给。
不过——
这里得承认一次，是往好的方向被打脸。
它那个「同一目标下逐步加需求、新需求建立在旧结果之上」的设计，我认。大部分合成数据是平铺的：一千个任务排成一行，彼此不相干，模型做完 A 忘掉 A 再做 B，训出来的长程能力是假的，本质是一千次短程拼成一趟。TerminalHorizon 是叠的，第二层吃第一层的输出，第三层吃第二层。这个结构逼着模型必须把中间结果留下来、用起来，不然下一步直接断。
方向对。这是全篇除了那句招供之外，唯一值得抄的东西。
但它叠到这份上，还是没回答最要命的那一问：环境重建之后，那些「被补回来的关键工作」，到底是模型自己探索出来的，还是作者提前写好的脚手架？
论文里没给可复现的筛法。没有第三方拿这套引擎撞过公开任务。DOI 还挂着 pending。
说到姿态，我是欣赏的。它起码承认这层滤镜存在，还给这东西起了名。
但姿态不等于交付。
一个自己定义「真实」、自己生成数据、自己训练、自己打分、还在 12 个 benchmark 上一次没掉分的闭环，我没办法当结论用，只能当一条待验证的主张。
锐评评分卡：值不值得花时间读？值得，但只读那一段。读它承认「环境合成偷偷替 agent 把活干完了」那一段——那是这次唯一一件能拿去照别人的家伙。
剩下的，TerminalHorizon、27B、12/12、12 小时 RSI，全部贴「期货」标签，等第三方复现。等有人在真正的脏项目里把它跑通了，我再回来改这一段。
现在？先当科幻小说看。