9 августа 2026

Предлагает цикл Manage-Execute-Audit (MEA), отделяющий отслеживание состояния задачи от исполнения: менеджер хранит проверенное состояние задачи, исполнитель с чистым контекстом обрабатывает каждую подзадачу, а аудитор в режиме только для чтения проверяет состояние среды перед каждым новым раундом. Среди заявленных результатов — рост Qwen 3.7-Plus с 51,8% до 80,7% на WeaveBench и рост Claude Opus 4.7 с 20,0% до 34,3% на подмножестве OSWorld 2.0.

Представляет Recursive Synthetic Terminal Tasks (RST) — рекурсивный фреймворк проверяемого синтеза, автоматически генерирующий более 37 000 проверяемых долгосрочных задач для терминальных агентов, сохраняя согласованность инструкций, окружений, решений и верификаторов при стоимости примерно $0,05 за задачу. Сложность задач нарастает от раунда к раунду: медианная длина эталонного решения растёт с 67 до 374 строк, а pass@4 модели DeepSeek-V4-Pro падает с 90% до 2,5% за 15 раундов.

Выявляет режим отказа «иллюзия привилегии» (privilege illusion) в самодистилляции on-policy, при котором модель-ученик усваивает поведение, зависящее от привилегированной информации, доступной во время обучения, но недоступной при инференсе. Предлагает Dual-Path и Dual-Source Anchoring для двунаправленного согласования поведения референсной модели и роллаутов, улучшая результаты предыдущей on-policy самодистилляции примерно на 2-2,8 балла на моделях Qwen3 от 4B до 32B.