CoTrace：训练终端智能体时，执行框架也是数据的一部分
按提示、工具和观测处理的来源筛选轨迹；小语料有效不等于总成本更低
CoTrace交替优化模型权重与执行框架，将运行失败交给框架修改，将与当前框架匹配的验证成功轨迹用于监督训练，并持续补充新任务。9B模型在反复用于选择版本的102题promotion split上由78到88，RL系统到90；但独立运行框架会改变迁移结果，SFT在SWE-bench Lite的配套系统仍不如基础系统。
图解主要方法
智能体的成功轨迹换了提示、工具和错误恢复环境后，还是合适的训练目标吗？
- 1
把运行轨迹分成不同用途
依据最早未恢复故障区分环境、评分器、工具包装和模型重复错误，低置信归隔离区。框架搜索看可复现运行故障，监督训练只用验证成功且格式完整的轨迹；论文规则表的训练目的地不代表直接模仿失败答案。
- 2
记录真正的运行来源
指纹包含提示模板、工具绑定与观测处理器，不只是框架名称。保留与当前采纳框架匹配的成功轨迹，优先当前数据、历史最多40%，通常每题一条，不足则在相同框架下补采新轨迹。
- 3
先固定权重改框架，再固定框架改权重
两代各5候选的框架搜索先做结构、探针与可执行性检查，再在102题promotion split比较新解题和新失败；净增才采纳，完整无基础设施故障的平局可接受。模型更新也用同一原则回退，防止只报告最乐观候选。
- 4
用SFT或在线RL更新模型
SFT用LoRA秩32、alpha64、2epochs、4096序列和completion-only损失；在线RL在采纳框架下采100任务、2304episode，二元结果奖励、组内优势、DPPO二元总变差阈值0.1及参考KL0.01。RL是另一路实验，不是所有SFT配置后必然继续。
- 5
更新课程并检验整对系统迁移
SFT任务须已解出且轨迹已进入训练才退休，补满50个演化任务；RL依经验成功退休。外部测试分别比较同模型不同框架，区分模型能力、格式失败和无补丁结束，不能只比较权重文件。
实验与证据
完整正文及附录A–G已读，包括算法、超参、逐阶段采纳账本、迁移统计与早期试验；图6视觉核验。未执行模型训练或作者终端程序。
来源证据9B SFT78到88：框架累计+4、模型+6；RL78到90：框架+5、模型+7，后续85候选被拒绝。 表1、8、11 ↗
我的解读这是102题版本选择集上的账本，最终保留90不等于最后训练候选90，也不证明未见任务同幅提升。
来源证据混合候选149–308轨迹/轮，匹配30–50；训练prompt/completion对分别618–1335与526–948。 表2、10 ↗
我的解读单轨迹产生多训练对，五倍轨迹数量差不能写成五倍梯度计算节省。
来源证据匹配SFT47GPU小时/轮、5轮约235；混合54/轮、3轮约162。 3.3；附录表5 ↗
我的解读更低每轮成本伴随更高整链总成本，摘要中的高效需限定口径。
来源证据4B SFT65到69全部由框架贡献，三次模型候选均拒绝；RL67到79由模型贡献。 表1、8；E.6 ↗
我的解读方法不是所有规模都能靠SFT提升；匹配成功轨迹只有2、3、2时，补采与可用语料稀缺仍限制训练。
来源证据一次2×2交叉评估为78/82和82/86，差分交互为0。 表3；E.8 ↗
我的解读该转移说明框架与权重收益可加，不支持二者必有协同放大；其他阶段尚未完全交叉验证。
来源证据Terminal-Bench89题，基线框架三次：基础18.7±1.5题、SFT18.3±2.5，RL约高1题。 4.3；图5 ↗
我的解读这里是解题数而非百分数；主循环10–12题收益没有直接迁移，差异在试验波动内。
来源证据SWE-bench Lite300项：配套系统基础37.3%、SFT35%、RL41%；统一mini-swe-agent34.7%、24.7%、36.7%。 表12 ↗
我的解读更换框架能挽回接口损失，但SFT配套系统仍低于基础；不能称全部模型训练都改善外域表现。
来源证据配套系统RL对基础赢31输20，McNemar p=0.16；RL对SFT赢36输18，p=0.02。 E.5 ↗
我的解读只后一比较达到常用显著性阈值；不能将41%对37.3%的差异写成已统计确认优越。
来源证据SFT同权重换框架无补丁155降64，解析失败57；RL在第三方框架格式失败15。 表12；D.6 ↗
我的解读收益大量来自程序执行路径，而不是仅由最终解决问题能力提升；到达评分器后的成功比例接近。
来源证据外部SWE框架把预算120调整250步；Tmax特定HTTP依赖保护在此不触发。 E.5 ↗
我的解读迁移是经任务协议适配的系统，不是原封不动复制运行环境。
来源证据附录G早期15题试验中，按能力路由与分类平衡各400轨迹，无差别混合107。 表16；D.3；C.5 ↗
我的解读只能将两种400轨迹设置称等预算；不能照抄段落把三者全称等量，且需澄清这些TB题与外部评测的重叠。
开放情况与使用许可
作者主页列为ICLR 2027投稿，未称录用。论文称提供已采纳配置，但正文及作者条目未给可核实的完整仓库、检查点或数据下载；专有元智能体搜索也不能仅凭论文复现。
LICENSE论文及图6为CC BY 4.0；训练轨迹、执行配置、模型权重和完整实现许可尚未核实。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
9B匹配语料获得两次采纳的模型更新，合计增加6题；混合候选框架语料的三次模型更新均被拒绝。
固定权重换执行框架，SFT在SWE-bench Lite从24.7%到35%，无补丁实例从155到64，直接显示运行接口的重要性。
反方 · 哪些结论还不够
主对照同时改六类数据选择因素，不能归因于配置指纹匹配一个变量。
每轮47GPU小时低于54，但5轮总235高于3轮162；更少轨迹也不意味着训练样本或总计算按比例更少。
作者称外部集未用于主循环，但附录有15题Terminal-Bench早期试验，基础框架也经Terminal-Bench手调；需要披露重叠与选择影响，不能笼统称完全未接触。
综合判断
证据支持将模型和执行框架作为一个可版本化系统评估；尚不足以宣称匹配语料普遍最优、外部泛化显著提升或整个流程总成本更低。
我会先做的验证
建议实验（尚未执行）：固定总token、轨迹任务覆盖、回放比例与新鲜度，仅切换配置匹配；用多独立演化链和从未参与调参的测试集报告置信区间，并公开运行配置、完整失败日志及外部试验题目重叠。