持续的驾驭：自我完善的基础特工的在线适应

Claude Code 和 OpenHands 等编码工具将基础模型与工具、内存和规划包装在一起，但对于具体代理的长期部分可观察性决策，不存在等效项。我们首先报告我们的 Gemini Plays Pokemon (GPP) 实验。通过人机交互的迭代改进，GPP 成为第一个在困难模式下完成《精灵宝可梦 Blue》、《Yellow Legacy》和《Crystal》的 AI 系统，并且没有失败。在最困难的阶段，智能体本身开始通过长上下文记忆迭代其策略，在人机循环的完善过程中呈现出新兴的自我完善信号。持续性Harness将人类完全从这个循环中移除：一种用于实体代理的免重置自我改进Harness，可以将我们观察到的内容形式化和自动化。仅从最小的环境界面开始，代理在执行和完善自己的提示、子代理、技能和记忆之间交替，利用任何过去的轨迹数据。即时优化方法需要情节重置；连续Harness可在一次运行中在线适应。在 Pokemon Red 和 Emerald 跨前沿模型上，从头开始的持续Harness相对于极简基线大大降低了按钮按下成本，并弥补了与手工设计的专家Harness的大部分差距，尽管从相同的原始界面开始，没有策划的知识，没有手工制作的工具，也没有领域脚手架，但具有依赖于能力的收益。然后，我们用模型本身来闭合循环：一个在线过程奖励共同学习循环，其中开源代理通过改进中的 Harness 执行轨迹由前沿教师重新标记并用于更新模型，推动 Pokemon Red 游戏中持续的里程碑进展，而无需在训练迭代之间重置环境。