ReLiveGym：评估长期智能体在数周重放现实中的表现

ReLiveGym 是一个诊断评估环境，让智能体在模拟数周的时间线上对真实新闻、市场和社交媒体流进行稀疏动作。实验覆盖八个基础语言模型，考察模型选择与 harness 设计对长期任务性能的影响，并评估了从 hindsight 反馈中持续学习对失败模式的改善作用。