自Hy4 Preview发布以来，它最受人关注的地方就是全链路RSI，这也是腾讯混元首个自己全程参与研发的模型。通过全链路RSI能给模型带来大幅性能提升。

不到两个月后，混元的Frontier团队发布了Terminal-RSI。这次更有意思，它能通过RSI，让一个模型超越自己原本的框架，实现自己本来不具备的能力。

就像你有一台微波炉，它的功能是给食物加热。加入Terminal-RSI之后，不仅能让微波炉原本的加热功能效果更好，你还能用它来看电视、听歌、打游戏。

以Terminal-Bench 4.0为例，这是当下最严格的Agent终端实操基准测试集之一。论文使用的基座模型，原本不具备跑这个测试集的能力，也就是0%。

通过Terminal-RSI，这个基座模型能达到19.84%的分数，和GPT-5.6 Terra、Gemini 3.8 Flash齐平。

还有一个细节也挺好玩的，论文所使用的基座模型是Qwen3.8-27B，腾讯阿里也因此在RSI上达成了“合作”。

论文自己也承认，这套RSI只在一个27B的模型上跑过，没有在更大的模型上验证，也只有三次评测、没有独立训练种子，所以它放到Hy4这种大参数量模型上会怎样，还能否实现RSI，目前都还没有答案。

01

Terminal-RSI是个啥？

Terminal-RSI所训练的叫做终端Agent。它跟普通的Agent不太一样，混元团队给它一个沙盒和一份任务说明，它要像工程师一样在命令行里查看仓库、安装依赖、修改代码、运行测试，最后看沙盒里的状态能不能通过验证。

论文表示，要想实现RSI通常会有两个难题。

第一个是反馈太慢。论文表示，在整个训练过程中，平均交互回合数在50到117之间浮动，明明第二步就错了，结果只有到最后才知道对不对。

第二个是没办法细致地区分对与错。论文提到，验证器里11条检查过了9条，但是这个结果，却很难在终端判定里体现出来。

就像打游戏，打掉水晶才算赢。你杀一个小兵给一份钱，很多人不推水晶、专门刷小兵，刷得是不亦乐乎，而且最后评分也很高，但问题是水晶不掉就赢不了游戏啊。

Terminal-RSI的核心目的，就是为了解决这两件事。

Terminal-RSI的流程是这样的：Base → RSR-1 → RPR-1 → RSR-2 → RPR-2，两个“重写 + 精炼”的循环，基座用的是前文提到的Qwen3.8-27B，最终产物叫Terminal-RSI-27B。

第一步RSR（Recursive Self-Rewrite，递归自我重写）只更新actor，也就是真正去执行任务的策略。

它的做法是：模型在各种不同的harness里尝试任务，只保留通过完整验证的成功轨迹。然后由模型自己充当规划者，把成功过程提炼成一份操作手册（runbook）。

这时候，有一个专门负责审查的Agent，它只看题面和手册，检查格式、产物以及有没有把验证器答案或标准解泄漏进去。

通过审查后，模型拿着手册在全新的沙盒里重新做一遍，只有重做依然通过验证、且没有泄漏的轨迹才会留下。

最后做监督微调时，手册和审查对话都会被抹掉，只留下动作序列。

RSR就像你打游戏开荒，死了八百回，终于有一把通了关。然后你把那把的录像导出来，天天回放，把每一步操作硬背成肌肉记忆。

下次再进本，你手自己就动了，脑子里全是通关那把的走位，想都不用想。

这就是RSR的本质，把“成功那一次”抠出来，写成笔记，照着死磕。打分的人没换，裁判也没换，规则还是那套规则，唯一的变数只有正在闯关的你。你抄的是你自己的满分卷子。

第二步RPR（Recursive Policy-Refine，递归策略精炼）则是actor和critic一起上的强化学习（PPO）。

论文强调，重写之后，actor偏好的动作变了，它会遇到的历史也跟着变，原来的critic就不一定估得准。如果直接把critic重置，等于丢掉已经学到的“什么样的局面更接近成功”。

可话又说回来了，如果原样继承又不校准，旧的估计误差会混进优势值里。

比如你练着练着换了套新打法，旧录像这时候就不好使了，得请个分析师（critic）帮你分析，下一步应该怎么走才能过关。

但问题来了，分析师脑子里那套数据库还是你旧打法的，你现在这打法他根本看不懂。

RPR的招数是你先原地站桩别动，让分析师拿你最近的战绩单独重新练4轮，让它理解你的新打法和新规则。等分析师回过味来了，你再跟分析师一起上分，边打边调。也就是所谓的“带着教练一起热身”。

那么结果到底怎样？

Qwen3.8这个只有27B参数量的小模型，只练了两轮，它在Terminal-Bench 2.1上的得分，就从51.7%升到86.5%，在Terminal-Bench 4.0版本上从完全做不出来（0%）升到了19.8%，四个测试的平均分从20.7%升到50.6%，翻了一倍多。

02

Hy Frontier回到混元主线

论文的一作有三位，分别是Hy Frontier的两个实习生杨竣尧和李宗夏，以及位于西雅图的腾讯研究科学家史玉成。

而这三个人此前也合作过，论文名为《T1：面向长时程任务的终端智能体强化学习》（T1: Terminal Agent Reinforcement Learning for Long-Horizon Tasks）。

这篇论文相当于是Terminal-RSI的“前传”，讲的是怎么用强化学习把一个大模型练成“会真的在Linux终端里干活”的智能体。

姚顺雨来之前，腾讯做基础研究的主力是2016年成立的AI Lab，姚星牵头筹建，2017年请来机器学习学者张潼出任首任负责人。

然而根据《晚点》的报道，张潼带着很高的期待来，以为腾讯海量的业务和数据能成为学界拿不到的研究资源，结果进来之后数据依然拿不到，研究只能闭门造车，两年后失望离开。

此后AI Lab负责人换成张正友，2024年6月再换成蒋杰。

混元同样也是如此，2023年立项时项目组连一块GPU都没有，最后是从广告部门匀来了2000张，一半给预训练、一半给后训练。

首任负责人是张正友，他的研究方向是计算机视觉。第二任负责人是蒋杰，长期负责腾讯广告平台的产品技术管理工作，长期做大数据平台，擅长广告推荐。但是几乎都没碰过强化学习。

到了2025年中，团队转向打榜。受访者对《晚点》表示，“活照常干，但大家心里都清楚，这么干下去不行”。

直到姚顺雨加入混元，一切才有了转变。在6月的访谈里，姚顺雨提到，今天的AI有三块，Foundation、产品和Frontier，要构建一个均衡的“三角形组织”，因为“在我们今天所做的前沿探索不够多”。

旧的研究机构“离模型太远”，模型团队又“光顾着追榜单”。

姚顺雨的解法是把研究直接搬进模型部门里面。AI Lab并入大语言模型部，原来的研究员成为其中的Frontier方向，和预训练、后训练、评估、Infra同属一个部门、同一条汇报线。

过去的做法是研究在AI Lab、产品和模型在别处，两边靠协调沟通。现在的做法是Frontier与主模型团队放在同一个框里，层级也被压成“姚顺雨—方向负责人—研究员/实习生”三层。

Frontier至此开始，也不再是一个独立于混元的实验室，7月基础模型部成立后，它又被收进同一个部门，都向姚顺雨汇报。

虽然Frontier理论上“不设KPI、不规定课题”，但这条终端Agent加强化学习的研究线也不是那种“漫无边际式”的研究。

2025年底，腾讯混元开始重点跟进AI编程，姚顺雨因此搭出了一个全集团共用的强化学习基础设施，让各业务能在上面训练自己的模型，再把数据回流给混元。T1和Terminal-RSI做的，正是终端里的长程任务与强化学习。

再加上Hy 4 Preview本来就强调全链路RSI，因此这次的Terminal-RSI，就是Frontier对混元主力产品线的一次补强。

混元的研究和产品，不再分家。

03

Hy4未来可期

Hy4 Preview的全链路RSI可以细分为4个环节，数据策略、训练方法、评估体系、底层算子。前文提到，Terminal-RSI的RSR和RPR，前者所对应的就是数据策略这一环，而RPR提升的则偏向于训练方法。

Hy4底座再强，终端长时程任务上的“完整成功”轨迹照样稀缺，而RSR能自己给自己造高质量训练数据，还顺手隔离了benchmark污染。

所以它对Hy4的意义是：把“偶尔能做对”固化成“稳定会做”，尤其在调试、系统管理这种需要多步推理加工具调用的活上。

真正的大头在RPR，它几乎完美符合Hy4所有的需求。

前文提到，RPR是“带着教练一起热身”，以适应新环境、新打法、新规则。自姚顺雨进入混元之后，模型主打的就是上下文，而这也意味着模型经常要面对各种新类型的任务。

很多大模型的评分很高，可它在实际完成任务上，总是差点意思。

因为骗分这活儿，本身就是个技术活。OpenAI的报告里就曾提到，模型越强，越会“演”。中间步骤、前置条件、中间产物它全都能给你搞对，一路刷出大量通过的检查点，看着跟真干成了似的，可最后那个要命的关键结果就是不对。

不推掉水晶就赢不了游戏。而姚顺雨又是个不关注榜单成绩，只在乎模型能不能完成任务的人。

2026年1月的时候，姚顺雨评价DeepSeek，说：“DeepSeek做得比较好的一点是，他们可能没有那么关注榜单的数字。DeepSeek可能会更注重：第一，什么是正确的事情；第二，什么是自己能体验出好或者不好的。”

弱模型想骗分还没那本事，Hy4则是强模型，它要是演起来，只会更像真的，那刷出来的过程分也只会更凶，所以这套“成功优先、过程分永远压不过满分”的规则，专治它这种病。