背景：为什么「新增算力不等于真实进展」
2026 年智能体后训练的主流叙事，是把更多算力灌进推理循环：测试时扩展、自我修正、多轮重试。但清华深圳国际研究生院团队在 VeriLoop E2 的技术报告中，把一个被行业普遍回避的问题摆到了台前：新增的计算能否被证明真正构成了进展？
团队给出的两个失败样例非常具体：一次代码修改可能修好了主测试，却破坏了回归测试；一步数学推导可能减小了局部误差，却使另一个约束失效。在无约束的重试机制下，模型会陷入「幻觉循环」——看起来在持续工作，实际状态从未真正收敛，甚至倒退。这个问题在长程智能体任务（数小时到数周的自主运行）中被急剧放大：没有可靠的进展判据，运行时间越长，状态漂移越严重。
这也是近两个月智能体训练基础设施密集发版的共同背景：微软 Agent Lightning 走「部署即训练」路线（本站此前已有解构），Soket AI 的 LOOP 主打长任务 harness 的资源效率，而 VeriLoop E2 选择从另一个切口进入——不问「怎么训练得更强」，先问「什么才算变强」。
VeriLoop 团队的问题意识与主流 RL 后训练框架不同：verl、AReaL、Agent Lightning 关心「如何在真实 harness 上高效训练」，VGR 关心「训练信号本身是否可信」。两者互补而非替代——前者解决训练管道，后者解决奖励与状态判据的语义。
VGR 机制拆解：生成者与验证者的权限分立
VGR（VeriLoop-Governed Recurrence，循证收敛递归）的核心是一条清晰的权力边界：模型是提议者（proposer），不是裁决者。
具体运作方式如下：
| 环节 | 职责方 | 具体动作 | 关键约束 |
|---|---|---|---|
| 提出候选 | 模型（生成智能） | 抽象、诊断、重新规划，产出候选状态 | 候选必须先外显为可检查的制品，不允许模型私下提交内部状态 |
| 证据准入 | 外部 VeriLoop Harness（验证权威） | 执行确定性检查，判定候选是否对「一组固定受保护义务」构成严格进展 | 无回归、义务不被破坏，才允许持久化 |
| 监督信号 | 训练管线 | 把「状态是否成立」外化为可学习的监督信号 | 离散 Verifier 不纳入反向传播，保持验证权威的确定性 |
三点设计值得展开。其一，受保护义务是固定的：验证基准不是每次重算，而是一组预先固定的义务集合，这避免了「验证标准随生成漂移」的自我循环。其二，「严格进展」是持久化的门槛：仅仅「不退步」不够，候选必须证明自己推进了某个义务，才获得被写入状态的资格。其三，Verifier 在训练循环之外：把离散的验证器纳入反向传播既不可行也不可取（破坏其确定性），VGR 的处理是把验证结果作为外部信号供模型学习，而非内化验证器本身。
配套的后训练数据也体现了同样的语义纪律：约 184 万条训练记录不是简单拼接的成功轨迹，而是被区分为「正确答案」「有效中间进展」「无进展」「回归」「不可比较」五类——把中间过程的不同语义显式编码，而不是把所有记录当成同一种「正样本」。
模型与训练数据：27B 基座与 184 万条标注记录
VeriLoop E2 的基础规格如下：
| 项目 | 规格 | 备注 |
|---|---|---|
| 基座模型 | Qwen3.8-27B（后训练） | Safetensors 实测 27.87B 参数 |
| 原生上下文 | 262,144 tokens | 面向长程智能体任务 |
| 后训练数据 | 1,841,831 条记录 | 注意是记录数而非 token 数，官方未披露总 token 量 |
| 数据构成 | 代码智能体轨迹 + 科学推理 | 五类语义标签（见上文） |
| 许可证 | Apache-2.0 | 权重、评估证据数据集同步开源 |
| 发布渠道 | Hugging Face / ModelScope | 附 GGUF 全档位量化与官方评估证据仓库 |
两个工程细节值得一提。首先，团队同步发布了「评估证据（Evaluation Evidence）」数据集——每项基准分数都附带任务级证据与完整性元数据。这在开源模型里并不常见：绝大多数模型卡只给一个数字，VeriLoop 把「分数怎么来的」一并公开。其次，GGUF 量化覆盖从 BF16 到 IQ1_M 的完整阶梯，且量化质量的判定协议被完整冻结并公开（下一节展开）。
九项基准成绩与口径辨析
官方报告的九项基准实测成绩如下（均为自报，附证据数据集，截至本文发布尚无独立第三方复核）：
| 基准 | VeriLoop E2 自报分数 | 考察维度 |
|---|---|---|
| SWE-bench Pro | 76.2% | 真实仓库缺陷修复（抗污染） |
| Terminal-Bench 2.1 | 88.8% | 终端环境多步任务 |
| Terminal-Bench 3.0 | 29.7% | 容器化跨域终端任务 |
| Terminal-Bench 4.0 | 37.9% | 持续更新的高难终端任务 |
| DeepSWE v1.1 | 64.6% | 深度软件工程任务 |
| SWE-Marathon v1.1 | 45.0% | 长程编码马拉松 |
| AIME 2026 | 98.3% | 竞赛数学 |
| GPQA Diamond | 93.94% | 研究生级科学问答 |
| MathArena Apex 2025 | 89.6% | 高难数学推理 |
这组数字需要放进两个坐标系里读。
坐标系一：与公开官方榜单对照。SWE-bench Pro 公开榜（Scale SEAL，10 月 9 日读取）头部为 Muse Spark 1.1 的 61.50%（±3.10）。VeriLoop E2 自报 76.2%，比公开榜头部高出约 14.7 个百分点——但两者口径不同：官方榜要求统一脚手架（scaffolding）提交，VeriLoop 的分数来自其自报 harness 与证据数据集，尚未进入 Scale 官方榜单。这 14.7 分的差距里有多少来自 harness 差异、多少来自模型能力，目前无法拆分。
坐标系二：跨代际成绩的落差。Terminal-Bench 2.1 拿到 88.8%，但 3.0 降到 29.7%、4.0 只有 37.9%。同一模型在相邻三代基准上落差超过 50 个百分点，说明其能力优势集中在已充分见过的任务形态上，对持续更新的新任务分布仍有明显空隙——这与本站此前对 Reflection Beam 的分析结论一致：开发权重模型在「自家舒适区基准」与「新代际基准」之间的落差，是评估时必须检查的项目。
VeriLoop E2 全部九项分数为团队自报，证据数据集公开但未经独立第三方复核；SWE-bench Pro 76.2% 不能与 Scale 官方榜单的统一脚手架成绩直接混排比较。在团队提交官方榜或第三方复现之前，建议将其视为「有证据支撑的自报成绩」而非「榜单成绩」。
GGUF 量化纪律：把「保真度」与「能力损失」分开
VeriLoop E2 的 GGUF 量化发布方式，可能是整次开源里工程上最值得抄作业的部分。团队没有用「位宽越低越好」的直觉判断，而是建立了一套冻结的配对协议：以 canonical BF16 GGUF 为参照，在固定语料（WikiText-2 raw test）、固定分块、固定随机种子的条件下，统一测量 PPL、KL 散度、token 概率漂移与 Same top-p 比率。
| 量化档位 | 文件大小 | 相对 BF16 体积 | PPL 漂移 | 定位 |
|---|---|---|---|---|
| BF16（参照） | 50.113 GiB | — | — | 质量参照基准 |
| Q8_0 | 26.632 GiB | -46.9% | 极小 | 高保真度 |
| Q6_K | 20.566 GiB | -58.96% | -0.0395% | 综合甜点位（视为与 BF16 平齐） |
| Q5_K_M | 18.965 GiB | -62.16% | +0.4450% | 内存-质量平衡点 |
| IQ1_M | 16.790 GiB | -66.5% | 未单项标注 | 最小占用（Same top-p 95.87%，5.36 有效 BPW） |
更难得的是团队主动划出了一条多数发布者避而不谈的红线：量化保真度不等于下游能力损失。官方明确声明，目前并未对每个量化档位重跑完整九项基准，因此 +0.3191% 或 +0.4450% 的 PPL 漂移不能被解读为 SWE-bench、AIME、GPQA 等任务分数的等比例下降。这句话堵死了下游最常见的一种过度解读，也把「量化档位选择」诚实地交还给部署者按目标自行权衡。此外官方提醒：16.79 GiB 的模型文件并不意味着能在 16 GiB 显存上完全卸载运行——KV 缓存、计算缓冲区与分配器开销都在运行时内存之外另算。
黎曼猜想临界线零点 67.35%：数学验证的样本
发布报道中引起较多关注的一项结果，是团队报告模型在黎曼猜想临界线零点比例下界问题上达到 67.35%。需要准确理解这项工作的性质：这不是「证明或证伪黎曼猜想」，而是在该问题的某个可计算切片上，模型产出的推导制品通过了外部验证——即一条对零点比例下界的、可检查的数学论证。它的价值在于示范了 VGR 的目标场景：验证权威存在、进展可判定的领域，智能体的自主探索才有收敛保障。代码（测试通过即进展）与形式化数学（证明检查器）恰好是这类领域的两个极端样本；而 VeriLoop E2 在这两个方向上都布置了基准，这个实验设计本身是自洽的。
与同类技术路线对比
把 VeriLoop E2 放进 2026 年秋季的智能体训练基础设施图谱里，三条路线的分工一目了然：
| 路线 | 代表项目 | 解决的问题 | 与部署 harness 的关系 |
|---|---|---|---|
| 接管式 Agentic RL | verl、AReaL、slime | 训练框架接管环境交互循环 | 需在框架内重写智能体，训练与部署行为可能不一致 |
| Harnessed Agentic RL | 微软 Agent Lightning v1.0 | 直接用部署 harness 训练，LLM 代理拦截 API 调用 | 部署即训练，行为一致；关心训练管道效率 |
| 循证收敛递归（VGR） | VeriLoop E2 | 训练信号与状态判据的语义可信：什么才算进展 | 验证权威外置且确定性，Verifier 不进反向传播 |
对使用者而言，这三条路线并非互斥选项：一个完整的智能体训练栈完全可能同时采用 Agent Lightning 式的拦截管道与 VGR 式的进展判据。VeriLoop 团队目前把两者打包在自己的模型与 harness 里，但 VGR 作为机制描述并不绑定 27B 这一具体基座。
局限与冷静判断
综合全部公开信息，VeriLoop E2 的边界可以概括为四条。其一，自报未复核：九项基准均无独立第三方复现，SWE-bench Pro 与官方榜的 14.7 分差距无法归因。其二，新代际基准仍有明显空隙：Terminal-Bench 3.0/4.0 的成绩说明能力尚未跨代际迁移。其三，量化档位的下游影响未测：官方自己承认未对每个 GGUF 档位重跑基准，本地部署者需要自行验证。其四，Verifier 的工程成本未披露：VGR 依赖外部验证权威，但验证器的实现细节、运行开销与覆盖范围，官方资料着墨有限，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
尽管如此，这次开源的示范价值是清晰的：它把「智能体的可靠性」从一句口号拆成了可操作的工程问题——状态持久化需要证据、训练信号需要语义分层、量化发布需要冻结协议。这三件事中的任何一件，都值得其他模型团队跟进。