恢复

其中，ReTerm与Qwen3.5-9B使用相同运行框架和评测配置，能直接观察恢复训练带来的增益；

在规划、工具使用、代码实现、验证和资源管理五类错误上，ReTerm-GRPO的恢复率均高于基础模型和标准GRPO，表明恢复训练的收益体现在多种执行场景中。

恢复训练的收益还延伸到了数学推理和表格操作。

消融实验进一步验证了恢复训练的作用。

消融实验进一步回答了一个关键问题：显式训练恢复能力，到底比常规强化学习多带来了什么？

随着能力变化，新产生的失败继续进入训练，推动恢复能力与任务求解能力一起提升。

ReTerm，让终端智能体尝试恢复自己造成的失败，再从恢复结果中学习，探索一条由自身错误驱动的递归自我改进（RecursiveSelf-Improvement，RSI）路径。

团队构建了ReTerm-10K，为模型提供恢复示范：先收集基础模型自己做失败的任务，再请更强的教师模型接手，示范如何检查问题、修复错误并完成任务。

在Terminal-Bench2.0上，恢复示范SFT将表现从20.2%提升至25.8%，标准GRPO达到28.0%，ReTerm-GRPO则达到34.8%。

这些恢复尝试的成败会转化为强化学习信号，更新模型参数，让Agent学会更有效地诊断问题、修复错误。

ReTerm，让终端智能体尝试恢复自己造成的失败，再从恢复结果中学习，探索一条由自身错误驱动的递归自我改进（RecursiveSelf-Improvement，RSI）路径。

在规划、工具使用、代码实现、验证和资源管理五类错误上，ReTerm-GRPO的恢复率均高于基础模型和标准GRPO，表明恢复训练的收益体现在多种执行场景中。

恢复训练的收益还延伸到了数学推理和表格操作。

其中，ReTerm与Qwen3.5-9B使用相同运行框架和评测配置，能直接观察恢复训练带来的增益；

消融实验进一步验证了恢复训练的作用。