AI Agent 做科学发现的最大瓶颈不是模型不够强，而是没有可验证的训练环境。写代码、跑实验、分析数据——这些任务需要带真实依赖的具体环境，而非纯文本的 benchmark。D3-Gym 首次系统性地解决了这个问题，它的验证脚本与人工标注的一致性达 87.5%，意味着你可以用 reinforcement learning 的方式训练科学 Agent 而不用担心 reward hacking。
同一天出现在 arXiv 的还有一篇 Synthetic Computers at Scale（arXiv:2604.28181），它沿着类似思路构建了 1000 个合成计算机环境进行长期 Agent 模拟——每轮 8 小时、2000+ 步。两篇论文共同指向一个趋势：Agent 训练的下一阶段不是更好的 prompt，而是可验证的 gym 环境。
作者：Hanane Nour Moussa 等（OSU NLP Group）
arXiv：2604.27977 · GitHub：OSU-NLP-Group/D3-Gym · 2026-04-30
与 D3-Gym 形成互补。D3-Gym 面向科研场景，Synthetic Computers 面向生产力办公场景。它自动生成带有真实目录结构和专业文档的合成计算机环境，然后让一个 Agent 创建目标、另一个 Agent 模拟用户完成长达"约一个月人类工作量"的任务。1000 台合成计算机 × 每台 8 小时 Agent 运行 = 约 8000 小时的训练数据。初步结果验证了这种方法能同时提升 in-domain 和 out-of-domain 的 Agent 性能。
关键洞察："可创建的用户画像（persona）理论上是十亿级别的"——这意味着只要有足够算力，这种方法可以扩展到百万甚至十亿级别的合成用户世界。
香港科大（广州）× 快手 × 浙大 × 蚂蚁 × 港科大的联合工作。核心发现：LLM 推理时的不确定性高度局部化——只有少量高熵 token 决定输出正确性。基于此提出 MTI 框架，无需训练即可在推理时干预：选择性 CFG（仅在不确定位置做 classifier-free guidance）+ 轻量负 prompt 引导（复用主模型 KV cache）。DeepSeek-R1-7B 在 6 个 benchmark 上平均 +9.28%，Ling-mini-2.0 在 AIME2024 上 +11.25%。
与 D3-Gym 的关联：两者都试图在不重新训练基座模型的前提下提升 Agent 任务表现——D3-Gym 是通过 RL 轨迹微调，MTI 是通过推理时干预。两条路径互补。
提出了一套阶段-门控（stage-gated）方法学，由领域专家、开发者、LLM helper agent 三方协作设计 AI Agent。与 D3-Gym 和 Synthetic Computers 关注"如何训练 Agent"不同，CARE 关注"如何设计 Agent"。它生成可审查的 artifacts（交互需求、推理策略、评估标准），确保 Agent 行为可指定、可测试、可维护。
来自 Terminal Bench 贡献者的一年实践经验总结。核心论点：好的 benchmark 任务应该是 adversarial（对抗性的）、difficult（困难的）、legible（可理解的）。论文指出超过 15% 的流行终端 Agent benchmark 任务存在 reward hacking 空间，并系统化了常见设计失败模式。这对 D3-Gym 这类环境构建工作具有直接的指导意义。
2026 年 Q2 的 Agent 研究正在经历一个范式转移：从"prompt engineering"转向"environment engineering"。D3-Gym 和 Synthetic Computers 代表了两个互补方向——前者从真实科研仓库构建可验证环境，后者生成合成环境做大规模 RL。这一趋势如果持续，Agent 训练将越来越像传统 RL（Atari → MuJoCo → 今天的 Science Gym / Office Sim）。
D3-Gym 目前是 arXiv preprint（未标注 peer-reviewed venue），Synthetic Computers 是 "Preview version; work in progress"。两者都不应被当作 mature work 直接纳入生产系统。但方向性信号足够强——"Agent Gym" 正在成为共识。