正在补充深度解读，当前内容可以先阅读
论文解决了什么问题
现有长任务基准只看最终成功率，无法单独测量Agent在关键分叉处选择正确方向的“品味”。
核心方法
从并行尝试和单轨迹绕路中自动挖掘决策分叉，无需人工标注；再用看到结果的教师把判断蒸馏给学生。
实验结论
- 最佳前沿模型只有59.7%；关键信息越晚出现越难，更多推理预算无效；蒸馏可迁移到未见任务并提高SWE-bench Pro表现。
- 长任务的失败不一定是执行能力不足，也可能是早期选错方向；这种能力可以被单独评测和训练。
适合谁阅读
工程Agent评测与训练研究者Agent评测长时程决策SWE-bench
可核验的原论文来源和作者
- 作者
- Wenbo Pan, Zhichao Liu, Shujie Liu, Jingying Zeng, Chin-Yew Lin, Xianfeng Tang, Yan Lu, Qi He, Xiaohua Jia
- 来源
- arXiv
- 论文 ID
- 2609.25804