论文测试智能体能否训练其他智能体

该论文分析了大量公开的智能体后训练轨迹。研究发现，智能体在第一步就锁定了训练策略，后续仅进行局部调整。论文尝试了三种改进方法：经验驱动的脚手架提升了GSM8K和HumanEval的分数，但策略仍保持冻结。人类指导能改变初始选择，但训练开始后智能体又回到局部循环。额外推理计算对简单任务有效，对最难任务几乎无效。