让GPT成功率暴跌近六十个百分点：递归环境扩展新范式RES，从Env角度Scaling长程Agent

引言

85.7% 到 26.7%，接近 60 个百分点的落差。

这是 GPT-5.6 Sol 在 Claw-Eval-Live 上，面对同一批任务的原始环境与 RES 扩展环境时的成功率。任务的核心目标、底层事实和完成要求都被保留，改变的是信息藏在哪里、资源如何连接，以及执行一步操作前需要满足哪些条件。

一项来自电子科技大学、香港科技大学等机构的研究，将这些变化组织成了一个可递归执行的框架：Recursive Environment Scaling，简称 RES。研究者希望回答的问题很直接：保持任务目标不变，能否通过持续改造环境，让 Agent 面对越来越长、依赖越来越复杂的执行过程？

论文给出了两方面证据。在三个基准的 294 个初始任务上，六个模型的任务成功率均有所下降；用 RES 环境收集的轨迹进行监督微调后，三个 Qwen3.5 Base 模型又在全部九组模型与基准组合中，超过了使用原始环境轨迹训练的对照组。环境复杂度，由此成为一个可以同时服务于评测和训练的扩展维度。

论文标题：Recursive Environment Scaling for General Long-Horizon Agents

论文链接：https://arxiv.org/abs/2610.16397

背景：一道任务有多难，环境决定了很大一部分

让 Agent 完成一项工作，指令往往只有几句话。但在真实执行中，同一个目标可能对应完全不同的工作量：数据是直接放在文件里，还是需要先找到索引再逐层检索？不同系统使用的标识能否直接匹配？导出数据之前，是否必须完成另一项准备操作？这些细节共同决定了 Agent 要维护多少状态、处理多少依赖，以及能否把过程推进到最后。

已有研究通过合成更多任务、延长参考解答，或从零生成新的交互环境来扩展 Agent 的经验。RES 把现有环境作为改造对象，保留任务的核心目标和完成要求，再逐步改变信息访问方式、资源关系和执行依赖。这样，同一个任务就能形成一组具有继承关系的环境版本，便于比较环境变化前后的表现。

方法：让环境递归生长，先保证任务仍然成立

RES 的起点是一个已经通过验证的父环境。负责构造环境的 proposer 会检查它的资源与结构，从预定义的变换算子库中选择操作，指定作用对象、参数和执行顺序，生成候选子环境。

这些变换可以作用于多个层面。例如，把一份可以直接读取的文件拆成分片或分页视图；把一条记录的完整信息拆到摘要、详情和引用字段中；让不同来源的数据通过额外映射才能关联；或者给查询、导出等操作增加准备步骤。多个变换还能组合起来，使后续动作依赖此前获得的证据或环境状态。

递归的关键在于继承。一个子环境通过验证后，会成为下一轮构造的父环境，后续变换在已有结构上继续叠加。第一轮增加的访问步骤，可能成为第二轮跨源查询的前置条件；第二轮引入的关系，又可以被第三轮继续使用。执行链条因此逐渐拉长。

为避免把任务改坏，RES 将环境验收与模型难度评估分开。验收时，系统从固定的父环境独立重放声明的变换，并比较重建结果与候选环境是否一致；随后在新会话中沿公开接口检查数据能否被访问和重建，排查事实改动、记录缺失或重复、无效引用、无法终止的前置依赖，以及绕过新结构直接读取原文件的捷径。

检查失败的候选环境会进入修复流程，达到次数上限仍不合格就被丢弃，已经验证的父环境得以保留。模型是否答错则用于后续难度测量和停止决策，并不决定环境本身是否合格。

案例：一项对账任务，工具调用从 3 次增加到 171 次

论文中的财务对账案例，直观展示了环境变化如何影响执行。原始任务要求 Agent 关联 CRM、银行流水和发票记录，找出差异并生成报告。在初始环境中，相关信息位于三份可以直接读取的 CSV 文件里。

经过第一轮扩展，直接读取变成了查询、导出准备和关联视图访问。后续环境继承这些步骤，又加入归档访问、字段结构恢复、索引重建等过程，最终版本还叠加了编码变换。完成对账所需的事实依然存在，Agent 必须先走完更长的证据获取与整理流程，才能进入真正的分析。

在这一案例的原始环境与最终 E3 环境中，DeepSeek-V4.1-Flash 的工具调用量从 3 次增加到 171 次，任务得分从 0.98 降至 0。达到 50 轮交互上限时，模型仍在收集证据，没能完成报告。这里的 171 次是工具调用数，一轮交互可以包含多次调用。

这个案例呈现出一种长程执行中的困难：局部操作能够持续推进，但整个任务仍可能因状态维护、依赖处理和预算消耗而无法按时完成。环境扩展把这些要求集中暴露了出来。

评测：六个模型、三个基准，十八组对比全部变难

研究覆盖了 Claw-Eval-Live 的 105 个任务、Workspace-Bench-Lite 的 100 个任务，以及 Terminal-Bench 2.1 的 89 个任务。研究者冻结构造完成的环境，在一致的配对评测设置下，对六个模型进行测试，每项任务允许一次尝试、最多 50 轮交互。

在 Claw-Eval-Live 上，GPT-5.6 Sol 的成功率由 85.71% 降至 26.67%，下降约 59 个百分点；Claude Opus 5 从 86.67% 降至 28.57%；DeepSeek-V4.1-Flash 从 82.86% 降至 5.71%。六个模型在该基准上的降幅都超过了 57 个百分点。

这一趋势也出现在另外两个基准上。以 GPT-5.6 Sol 为例，Workspace-Bench-Lite 的任务完成率从 61% 降至 49%，Terminal-Bench 2.1 的成功率从 88.76% 降至 44.94%。全部十八组模型与基准组合的任务成功指标均下降，说明环境扩展带来的挑战能够迁移到多个模型，而不只针对构造阶段使用的目标模型。

这些数字衡量的是固定交互预算下的表现。任务仍然通过了环境有效性检查，模型失败意味着它没有在给定预算内完成要求，不能据此认定任务已经无解。

训练：更难的环境能否提供更有用的轨迹

RES 的另一项实验把视角转向了训练。研究者将环境变换应用于训练任务池，收集交互轨迹，再分别对 Qwen3.5 的 4B、9B 和 35B-A3B Base 模型进行监督微调。对照组使用原始环境轨迹，两组都包含 8,428 条轨迹，并采用相同的优化设置。

训练后的模型被放回三个基准的原始测试环境评估。RES 轨迹在全部九组对比中胜出，相对原始轨迹 SFT 的提升为 7.00 至 14.61 个百分点。这意味着，从扩展环境中学到的执行经验，可以在原始任务上体现出收益。

以 35B-A3B 模型为例，Claw-Eval-Live 的成功率从原始轨迹 SFT 的 64.76% 提升到 77.14%；Workspace-Bench-Lite 的任务完成率从 14% 提升到 28%；Terminal-Bench 2.1 的成功率从 23.60% 提升到 38.20%。

消融：递归继承和依赖组合如何影响难度

在一个包含 15 个任务的配对消融子集上，移除保存环境中的依赖结构后，目标模型的成功率由 0 提升到 100%，平均交互轮数由 50 降至 19.1。另一组重建实验中，保留递归继承时成功率为 6.67%，取消继承后则达到 93.33%。这些结果支持了累积依赖在环境难度中的作用；同时，移除依赖也减少了对应的前置工作，不能把差异全部解释为关系结构本身。

写在最后

对于长程 Agent，RES 提供了一种具体的研究方法：在任务目标和完成要求固定的条件下，持续改变获得信息和执行操作的路径，观察模型在哪一段流程中失去进展，再利用这些环境收集训练经验。

目前的证据还不足以建立一条普适的环境 Scaling Law，但已经给出了可操作的方向：让环境成为可构造、可验证、可递归扩展的训练与评测对象。 当任务不再能靠几次直接读取完成，Agent 如何保存中间状态、追踪依赖并走完工作流程，就成为可以被系统研究的能力。

论文及本文图表来源：Jing et al., Recursive Environment Scaling for General Long-Horizon Agents, arXiv:2610.16397, v1, 2026。