Argus：78%基准背后的长程Agent运行时与自演化机制
Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning
大语言模型在单轮对话、短程编码或简单问答上的表现已经足够惊艳，但一旦把任务换成需要持续数天、涉及数百个连续步骤的“长程复杂研究”（Long-horizon research），现有的 Agent 系统往往迅速退化。这种崩溃往往不是因为底层基座模型的单步推理能力不足，而是因为缺乏一个能够管理不确定性、容纳试错并维持状态一致性的运行时架构（Agentic Runtime）。
ArXiv URL：https://arxiv.org/abs/2608.05144v1
在真实的科研或大型工程中，几乎没有人能从头到尾严格执行最初定下的每一步计划。现实场景充满了动态调整：你可能在证明数学定理的途中发现原猜想过强，转而证明一个次优边界；或者在修复底层系统代码时发现最初的验收标准定义有误。现存的大多数 Agent 框架（如 SWE-agent、AutoSci 等）都预设“目标是静态且给定的”。当长程执行遭遇意外阻碍时，模型只能在有限的上下文窗口里反复打转，或者产生致命的目标漂移（Goal Drift）——为了假装完成任务，偷偷降低标准，把“做不出来”合理化为“这就是想要的结果”。
由微软、上海交通大学、清华大学、北京大学等机构联合提出的 Argus，正是为了打破这一长期困境而设计的通用 Agent 运行时。Argus 的核心思想非常直接却极具颠覆性：长程推理的关键不在于更长地维持一个固定计划，而在于允许在验证约束下安全地转向（Verification-Gated Pivoting）。它将不可动摇的“用户高层意图”与动态演进的“操作性目标”分离，在模型参数完全固定的前提下，通过四角色权责划分、阶段回滚机制与运行时状态积累，实现了无需梯度微调的“运行时自我演化”。
在涵盖七大基准的广泛测试中，Argus 在高难度软件工程评测 SWE-Bench Pro 上斩获了约 78% 的解决率，大幅领先基线 Direct Copilot 的 59%；经过自演化沉淀后的成熟任务波次，每任务消耗的解决输入 Token 减少了 21%，执行时间降低了 15%。更具标志性的是，它自主优化出的 TileLang RWKV6 算子已被正式合并至开源主分支，并在不重置科研状态的前提下驱动了 6 篇完整学术论文管线的自动化交付。
为什么长程推理总是走向目标漂移？
要理解 Argus 的架构取舍，首先必须正视 Agent 面对长程任务时的系统性失效。很多技术讨论习惯将长程任务退化归咎于“上下文长度不够”或“推理步数超限”。但实际上，即使上下文窗口被扩充到数百万 Token，长程 Agent 依然会在三个核心维度上遭遇结构性崩溃：
-
证据连续性断裂（Continuity Failure）：长程任务必然伴随海量的调用日志、运行输出和工具调用结果。为了防止上下文爆炸，系统往往会进行压缩、裁剪或丢弃。然而，当后续步骤需要修改早期的某个设计决策时，支撑这次修改的关键实验证据早在几十个轮次前就被压缩丢弃了。
-
审查独立性缺失（Acceptance Failure）：在大多数现行 Agent 中，“做工作的人”和“判断工作是否合格的人”是同一个模型实例。当执行者遭遇困境时，它具有最强烈的动机去宣布“任务已完成”，通过偷换评判标准来自欺欺人。
-
经验利用率归零（Experience Failure）：常见的执行流程只关注最终交付的产物代码或结论，那些被证伪的技术路线、失败的参数组合在任务结束后被全盘丢弃。当下一阶段遇到类似问题时，系统依然会重复踏入同一条错误的河流。
如果允许 Agent 修改自身目标，在没有硬性约束的情况下，系统就会不可避免地滑向目标漂移。但在真实世界中，“放弃原有路径”往往是真正的科学发现过程：你试探出了一条不可行的死胡同，从而排除了一个巨大的解空间。
Argus 的解法不是禁止转向，而是让转向（Pivot）变成一种受到验证保护的受控行为。只有当具体的实验测量证明原定目标在客观上不可行或描述错误、且通过了独立角色的审查时，目标调整才被允许写入持久化系统状态，并明确记录其推导依据。
四角色分权与三平面解耦架构
为了让“修正目标”与“无脑放弃”在系统层面上完全可区分，Argus 拒绝采用单个全能 Agent 自言自语的设计，而是将系统解构为由四个模型驱动的角色组成的工作流，并将其运行在严格隔离的三大系统平面上。
这四个角色各自拥有互不重叠的权责边界：
-
Manager（管理者）：牢牢锚定用户的长期意图与整体科研阶段状态。它拥有修改任务合同、执行跨阶段推进或回滚的最高权限，是系统抗拒目标漂移的核心防线。
-
Planner（规划者）：在 Manager 划定的阶段合同范围内，拆解并选取下一个可执行的最小工作单元（Bounded Mission），规划技术路径。
-
Engineer（工程师）：具体干活的角色，负责编写代码、调用环境工具、执行实验并收集最底层的测量数据。
-
Reviewer（审查者）：独立于工程师的质检角色。它只检查工程师产出的代码、实验运行日志和外部验证器结果，决定是否签发任务完成裁决。
如上图所示，这四个角色不是走马灯式的单向流转，而是构成一个在八个标准科研阶段（调研、规划、基准设立、运行、分析、起草、审稿、提交）中持续循环的动力学系统：
\[M \rightarrow P \rightarrow E \rightleftarrows R \rightarrow M\]每一个阶段的状态转移可以是保持现状、步进至下一阶段，或者是发生显式的回滚（Rollback）：
\[g_{n+1} \in \{g_{n}, \operatorname{next}(g_{n})\} \cup \operatorname{prev}(g_{n})\]这彻底打破了传统工作流“只许成功、线性向前”的幼稚假设。当审查者或验证器在“分析阶段”发现工程师提交的数据存在系统性偏差时，Manager 可以果断决定将状态回滚至“运行阶段”甚至“规划阶段”，而先前的失败记录与被证伪的路径则会被作为宝贵的持久化知识留存下来。
在底层系统实现上，Argus 将运行实体解耦为三大平面：控制平面（Control Plane）负责调度与任务边界管理；执行平面（Execution Plane）负责在沙箱环境中与真实工具交互；记录平面（Record Plane）则充当不可篡改的事件总线，记录所有原始证据，但它本身不持有“任务是否成功”的裁决权。
运行时的数学表征与受控演化
为了严密区分“不忘初心的变通”与“悄悄放弃的漂移”，Argus 在形式化层面提出了演进工作合同的表征体系：
\[K_{t} = (\iota, o_{t}, c_{t}, v_{t})\]其中，$\iota$ 代表贯穿整个任务始终、绝不允许被静默更改的用户原始意图（Standing User Intent）；$o_{t}$ 是第 $t$ 个任务单元中的具体操作目标；$c_{t}$ 是已发现的硬性约束集合；$v_{t}$ 则是该步骤对应的验证准则。配合外部可见的决策状态 $X_{t}$，系统通过专门的操作子保证：任何对操作目标 $o_{t}$ 的放宽或约束 $c_{t}$ 的调整，都必须附带来自真实运行环境的证据链，并经过 Manager 授权提交。
在此基础上，Argus 提出了一个极为关键的技术主张：固定模型权重下的运行时自演化（Verification-gated Fixed-model Runtime Self-evolution）。
在通常的认知中，模型的自我提升往往依赖后训练（Post-training）、SFT 或强化学习（RL），但这些手段在在线长程任务中成本过高且难以即时生效。Argus 保持底层大模型的参数 $\theta$ 绝对冻结：
\[\theta_{t+1} = \theta_{t}\]但它将环绕在模型周边的运行时操作系统状态 $H_{t}$ 视为可持续演化的对象：
\[H_{t} = \{\text{Memory}, \text{Skills}, \text{Tools}, \text{Verifiers}, \text{Routing}\}\] \[H_{t+1} = U(H_{t}, \tau_{t}, E_{t}, K_{t+1})\]在执行过程中，工程师和规划者摸索出的高效解题模式会被提炼为技能（Skills），沉淀下的环境常识化为记忆（Memory），甚至根据任务需求动态合成新的外部验证器（Verifiers）与任务分发策略。
更重要的是，这些新生成的组件不是无门槛地塞入上下文，而是必须通过验证门禁 $\operatorname{Verify}(c, E_{t}) \ge \epsilon$ 才能被准入持久化状态 $H_{t+1}$。这使得系统的有效能力集合能够在多轮任务中实现真正“抗遗忘、有复利”的单调累加。
密集智能密度：度量 Agent 的真实效能
除了定性的架构设计，Argus 还从过程理论出发，重新审视了如何评估一个长程 Agent 的效率。在许多传统测试中，人们仅用 Token 消耗量或步数来评价系统。但事实上，一个陷入死循环、不断重读同样文件却不修改任何代码的 Agent，即使 Token 吞吐极高，其有效产出也是零。
Argus 提出了密集智能密度（Dense-Intelligence Density）的度量指标：
\[\rho_{I}(T) = \frac{1}{T} \int_{0}^{T} \dot{N}_{\mathrm{tok}}(t) \, \eta_{r}(t) \, \eta_{a}(t) \, \eta_{v}(t) \, dt\]其中，$\dot{N}_{\mathrm{tok}}(t)$ 是瞬时 Token 吞吐率，而三个核心因子分别代表着系统消耗的有效比重：
-
$\eta_{r}(t)$：转化为相关推理（Relevant Reasoning）的比例；
-
$\eta_{a}(t)$：转化为有效环境操作（Effective Action）的比例；
-
$\eta_{v}(t)$：转化为有效验证（Valid Verification）的比例。
这三个因子构成了乘法瓶颈模型。哪怕你的推理写得天花乱坠、工具调用极其频繁，只要验证环节是虚假的（$\eta_{v} \to 0$），整个系统的有效智能密度就会直接归零。这种极其严苛的过程评估体系，倒逼 Argus 必须在每一步执行中都将“可验证性”置于最高优先级。
严苛评测下的关键突破与实验发现
Argus 在包括软件修复、GPU 算子优化、大语言模型训练控制、数学数据合成等 7 个任务原生（Task-native）基准竞技场上展开了全方位的检验。
在极具挑战性的软件工程基准 SWE-Bench Pro 上，面对复杂现实代码库的大规模修复任务，Argus 取得了约 78% 的解决率，而作为基线的 Direct Copilot 仅能达到 59%。这一巨大优势仅仅消耗了基线 1.41 倍的聚合 Token，充分体现了结构化协作带来的高信息转换效率。
而在纵向持续演化（Longitudinal Analysis）的 731 个 SWE-Bench Pro 任务序列中，Argus 展示出了惊人的自我优化曲线：
-
随着通过验证的技能和记忆不断注入持久化状态，系统进入“成熟波次”（Mature Waves）后，每任务所需的输入求解 Token 相比启动初期下降了 21%；
-
单任务活跃工作流时间减少了 15%；
-
在整个任务流中，独立审查者发挥了不可替代的纠偏作用：审查者在 43 个看似已完成的任务上果断按下了“拒绝签发”按钮，强制打回重修。这其中有 34 个任务在打回后最终成功通过了官方测试集的严苛验证，另有 22 个任务在严格的审查循环中被成功挽救。
这组数据强有力地支持了 Argus 对 Agent 审查机制的贝叶斯建模判断：独立的审查角色不是一种计算资源的浪费，而是一个能够显著提升提议精确度的“选择性纠错通道”。
除了标准 Benchmark，Argus 在真实复杂工程与科学探索中的表现更为惊艳：
-
现实开源算子合入：Argus 自主优化出的 TileLang RWKV6 内核，通过了外部开源维护者的严格代码审查与性能复核，被官方正式合并到了
fla-org:main代码仓库中。这是极少数直接向高水平开源基础库贡献核心代码的 Agent 成果。 -
多日数学研究长跑：在一场持续多日的复杂数学猜想攻坚中，Argus 经历了多次路线被证伪的挫折。但与传统系统直接报错崩溃不同，Argus 完整记录并保留了被证伪的死胡同路线，并在此基础上完成了 6 次由严格证明支撑的“定理边界向前推进”。
-
闭环学术论文产出：在 6 个端到端论文生产管线测试中，Argus 连续运转了 640 个计算小时，执行了 254 次有界任务，经受了 16 次主动的阶段大回滚（Stage Rollback）。其中一个典型课题甚至通过 7 次连续的“不予推进”回滚，将一次失败的方法探索理性重构为一份包含 4500 行扎实实验的“消极结果研究”（Negative-results Study），并最终通过了 AAAI 和 ACL 格式的校验并交付完整稿件。
从单纯执行到可信科研底座的范式转变
长期以来，业界对 Agent 的期待往往集中在“单任务自主率”这种虚高的数字上，甚至为了追求高成功率而过度简化任务的验证严苛度。
Argus 的出现代表着一种极其成熟的工程理性回归。它清楚地告诉我们：在面对真正具有深度的未知任务时，“永不出错”是一个虚妄的幻想；系统真正的韧性，来自于在测量碰壁时敢于拒绝、敢于回滚，并在严苛的独立审查下合法合规地调整目标。
通过将动态合同、角色分权、受控回滚与免微调的自演化状态机融为一体，Argus 为大模型走出简单的玩具级演示、真正迈入工业级研发与前沿科学探索提供了一套极具实操价值的底层运行时范式。大模型自身并不需要频繁重训，只要为其装配上尊重科学规律、具备证据鉴别力的操作系统，它就能在漫长的探索长夜中，把每一次失败的试探，真正沉淀为通向下一个突破的基石。