今日概览
- AesCode把可验证正确性与审美拆成独立奖励，在使用相同参考图的同规模Qwen3-VL自建评测中，8B版本视觉质量提高31.1个百分点，但跨产品效果仍需实测。
- ReTerm把失败现场变成恢复训练起点：Qwen3.5-9B在Terminal-Bench 2.0上的Pass@1由约20.2%升至34.8%，仍有近三分之二任务未完成。
- Jeva把候选决策从文本生成改为专用评分。空答案、顺序不变性、动态候选集和跨请求缓存被固化为架构约束，面向高频分类与路由降低延迟。
重点关注
01 代码智能 正确可验证，为什么还做不出好看的幻灯片？
代码生成的幻灯片和仪表盘存在一组难以用单一评分兼顾的目标：文字与数据必须正确，布局和配色又要好看。AesCode没有让模型直接临摹参考图，而是把画布表示成设计图，将元素、属性及其关系连接到代码和渲染结果，让每项评价都能归因。能够从代码或页面中解析的属性交给确定性验证器检查，难以量化的视觉效果则由视觉语言模型依据样本专属规则评审。训练时，各奖励通道分别归一化再用于强化学习，避免审美分数掩盖内容错误，也避免严格验证把设计空间压缩成机械模板。摘要称，在使用相同参考图的同规模Qwen3-VL基线上，8B和32B版本的视觉质量分别提高31.1和22.4个百分点，说明「分开评价、联合优化」值得尝试。不过这些数字来自论文自建评测，跨产品、跨风格以及真实编辑流程中的收益仍需实测；对生成式设计工具团队而言，更可靠的方向是先建立可归因的双轨评测，再判断模型是否真的进步。
原文：AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards
02 Agent Agent真正稀缺的，是犯错后还能做完
终端Agent在长时执行中经常难以从命令错误或错误实现中恢复，而这正是ReTerm的训练起点。ReTerm先用1万条恢复示范做监督微调，再让Agent从自身失败状态分叉，尝试多条相互独立的补救路径，并根据最终能否完成任务来强化有效策略。基于Qwen3.5-9B训练后，其在Terminal-Bench 2.0上的Pass@1从约20.2%升至34.8%，说明恢复训练确实能显著抬高能力下限。不过，仍有近三分之二的任务没有完成，这离「可靠」还很远，也需要更多环境验证恢复能力能否泛化。对训练Coding Agent的团队来说，失败现场不该直接丢弃，而应被整理成包含错误、上下文和后续修正的训练资产。
原文：ReTerm: Recovery Training for Self-Improving Terminal Agents
03 模型架构 空答案与顺序不变性，低延迟路由的四道约束
Jeva将候选决策改为专用评分接口，直接面向低延迟的结构化决策场景。Jeva直接按决策问题来设计：单独判断「没有合适答案」，避免把答案缺失混同于候选间的不确定；对称聚合让候选换序不改变结果，共享评分则能自然接纳动态增减的候选集。它还把候选表示做成可复用的只读记忆，新请求只需更新请求侧状态，从而可跨请求复用候选表示及其层投影。摘要称其在测试的候选排列下没有发生决策翻转，可扩展到数千个候选，并通过复用显著降低延迟，不过具体吞吐、缓存成本和任务覆盖仍需看全文确认。对分类器、审核系统和模型路由器来说，这个方向真正令人兴奋之处是：低延迟未必靠更快地生成文本，而可能靠彻底停止生成。
也值得关注
今日观察
今天三篇主文都把部署中的失败条件提前写进了学习问题：AesCode把审美与可验证正确性拆成独立奖励，ReTerm直接从真实失败状态训练恢复，Jeva则把空答案、顺序不变性和候选扩展性固化为架构约束。对团队更具体的启示是，在扩模型或堆数据前，先列出系统必须识别、恢复或永远不得破坏的失败语义，再决定它应进入表示、奖励还是训练数据。本周可先为一个线上任务建立「失败语义清单」，逐项标注由表示、奖励还是训练数据承载，并把至少一项写成发布前自动化测试。