强化学习（RL）确实有效。问题在于环境泄漏。 如果某个部署环境能够访问上一个部署环境的文件或在线查找答案，模型就会学会作弊。@ScaleAILabs 的 AgentEnv 现在为每个环境和代理分配一个独立的 boxd 虚拟机。虚拟机启动只需 2 秒，启动后即被删除。