哪些底座值得练成 agent？英伟达的三道筛子

把一个底座模型练成能干的 coding agent，后训练的成本以数十万美元计，选错检查点全部打水漂。问题是底座模型没法直接考：跑端到端 pass@K，底座常常连格式正确的工具调用都发不出来，任务根本走不完；拿短程单步基准考，又绕开了长程多步维持状态这个 agent 核心能力。NVIDIA 牵头的 22 人团队 10 月 7 日放榜的论文（arXiv 2610.10478）给出了一套绕开死结的筛法。

决定性步骤

核心概念是决定性步骤：拿后训练成功 agent 的轨迹来重放，每走一步代码修改就重跑一次测试，找到累积补丁让仓库从失败翻转为通过的第一个动作，那一步就是这道题的胜负手。这个定义把漫长轨迹里真正起作用的那个瞬间隔离出来，前后的探索、回退、格式整理全部剥掉，考题因此变得又短又准。在决定性步骤上出题，底座模型不需要自己驱动整个 harness，考的是潜力而非熟练度，恰好补上了端到端评测对底座失灵的窟窿。三道筛子分别是：动作概率筛，量底座在认证动作上的概率质量，按比特每字节计，底座越把概率押在正确动作上得分越高；补丁选择题，让正确动作与校验器拒绝过的备选项打对台，考的是分辨力；前缀条件 pass@K，只要续写能通过测试就算数，不要求逐字复刻参考答案，给多样的正确解法留了门。

验证与含义

在十对公开的底座与后训练模型上，三道筛各自给出的排序都与后训练模型在 SWE-bench Verified 上的 pass@1 表现高度一致，三条独立证据互相印证，谁也不是偶然。更实用的是方法的自适应面：它只需要目标基准的成功轨迹和校验器，任何新的 agentic 编码基准都能就地改装成底座评测，团队自建的内部基准同理。对训模型的团队，这是投钱前的体检：先花小成本过三道筛，筛不出的底座省下一笔后训练预算，把资源集中到真正有潜力的检查点上；对做基准的团队，这提供了把 agent 基准反向卖给底座评测市场的思路。论文页未挂代码仓库，复现要等作者放料，方法描述已足够细。

这篇与本周的 SWE-Game、ReviewBench 放在一起看，评测这条线正在快速专业化：考 agent 的、考评审 agent 的、考底座潜力的，各就各位。基建成熟的速度，比大多数人预期的快。