BaT：基于阶段评分细则迈向自进化医学研究智能体

摘要

长程智能体已开始自动化能产出代码、报告与研究产物的完整工作流。医学影像工作流是多阶段且数据敏感的，而专家轨迹仍然稀缺且难以共享。结构化基准可以通过阶段级评分细则定位失败，但标准后训练会在下一轮训练前丢弃这些诊断信息。我们提出Benchmark-as-Teacher（BaT），一个面向智能体后训练的递归自改进系统。BaT包含两个相互关联的组件：异步的Stage Bank数据流水线，以及其自改进后训练方法BiCuRL（双层课程强化学习）。Stage Bank在策略更新循环之外合成内容隔离的训练状态。BiCuRL使用固定的保留评估来选择下一阶段课程，用任务评分细则验证rollout，用GRPO更新策略，并将候选检查点送回评估。在AutoMedBench-Lite上，BaT-4B与BaT-9B将其Qwen Instruct基线的Overall分数提高一倍以上。BaT-9B Agent达到79.6 Overall，超过Claude Opus 4.6配合Claude Code的77.5。

BaT：基于阶段评分细则迈向自进化医学研究智能体：论文配图 — 图1：Benchmark-as-Teacher 将仅输出的基准转变为后训练基础设施。(a) 上：概念概览。BaT 借助 Stage Bank 数据合成流程、课程教师（Curriculum Teacher）与 BiCuRL 后训练方法，把通常仅输出的基准转变为训练基础设施。(b) 左下：BiCuRL 循环。系统由四个运行阶段构成闭环。第一，SFT 冷启动之后，基准评测按阶段拆分为分阶段得分。第二，汇总得分输入课程教师，图中呈现为域偏移检测器（Domain-Shift Detector）与用于下一轮的报告。第三，环境沙箱池选取目标阶段（S-target）沙箱，连同混合阶段（S-mix）与端到端（E2E）沙箱。第四，智能体在这些沙箱中执行 rollout，LLM 验证器以量规作奖励（rubric-as-rewards）（Gunjal et al., 2026）为其打分，GRPO（Shao et al., 2024）更新策略。更新后的检查点回环至基准评测并重启循环。(c) 右下：训练轮次。虚线曲线显示每轮的评估，实线阶梯线追踪迄今为止的最佳检查点，星号标记自动选出的最佳检查点。