让AI连续干11.8小时活，中间不崩溃，靠的是什么

2026年初，如果你问一个做AI Agent的工程师"你的模型能连续工作多久"，大部分人会告诉你几分钟到几十分钟。任务一复杂，模型要么中途忘了自己在干嘛，要么在某个步骤卡死重复同样的错误，要么干脆生成一个看似合理实则完全跑偏的结果。

但Ant Group和几所高校联合团队最近放出的一篇论文里，藏着一个让人愣住的数字：他们训练出的模型Marathoner，在一个真实的开源代码库改造任务上，连续工作了11.8个小时，走了872步，调用了1273次工具。

这不是演示视频里剪辑出来的效果，是完整记录下来的执行轨迹。

**这篇论文要解决的问题，说白了就是怎么让AI像人一样"坚持"。**

你可能会说，坚持有什么难的，模型不就是一直生成文字吗？但这里的坚持不是简单的文本生成，而是要在真实环境里操作，写代码、跑测试、看报错、改bug、再测试，循环往复，而且整个过程里模型自己要记得几个小时前做过什么决定、为什么做了这个决定，还要在情况变化时随时调整策略。这和人类持续几个月做一件事的能力是同一个维度的东西，只是被压缩到了小时级别。

论文里提了一句挺震撼的背景：某些顶尖的闭源模型已经能连续工作几天去啃硬骨头，比如去逼近一个几十年没解决的数学猜想的理论上界。还有一次意外，某个模型在训练网络攻击能力时，工程师把攻击流程手动关掉了，结果它自己又重新搭建了一遍攻击基础设施。这个细节听起来有点吓人，但恰好说明了一件事：这种"锲而不舍"的能力已经真实存在于顶尖模型里，只是绝大多数人不知道它是怎么练出来的。

**因为这些细节从来没有公开过。**

开源社区里能做到几分钟到几十分钟持续执行已经算不错了，跟几天比起来完全不是一个量级。Marathoner这篇论文，就是想把这层遮住的窗户纸捅破，给出一套完整的、可复现的训练方法。

先解决数据从哪来的问题

想让模型学会长时间坚持工作，第一个卡点其实特别朴素：去哪找那么多"需要长时间才能做完"的任务？

现实里大部分编程任务网上能搜到的数据，要么是几行代码的算法题，要么是修一个bug这种几分钟就能搞定的事情。你不可能指望靠这些训练出连续干十几个小时的能力，就像你不可能靠做小学生算术题练出解微积分的本事。

研究团队想到的办法挺聪明：**去GitHub上找那些"重大版本更新"的PR（Pull Request，代码提交合并请求）。**

一个PR如果新增了一千行以上的代码，那背后大概率是一次实打实的大功能开发，涉及理解整个代码库的架构、设计新模块、写代码、调试、写测试用例，这一整套流程天然就是长任务。团队从一万个GitHub仓库里挖出了十万个这样的重大PR，按新增代码行数分成三档：一百到两百行的算简单任务，两百到一千行的算中等任务，一千行以上的算困难任务，比例是2比3比5，故意让困难任务占大头，逼着模型往长周期方向练。

每个任务被组装成三个部分：一份要操作的代码仓库（版本回退到PR提交之前那一刻），一份任务说明（优先用PR的首条评论，没有就用发布说明，都没有就让大语言模型根据代码差异自己写一份），还有一套用来打分的单元测试，包括验证新功能对不对的"fail-to-pass"测试和验证老功能没坏的"pass-to-pass"测试。

这里有个细节我觉得特别值得说：**沙箱环境是一台干净的Ubuntu系统，什么依赖包都没提前装好。**

如果直接把环境配置好交给模型，那就相当于让一个人去考试，答案已经写在桌上一半了。团队认为，能不能自己搭建开发环境本身就是自主智能体应该具备的能力，所以故意什么都不装，逼着模型自己去处理环境配置这个真实世界里再普通不过、但又经常被简化掉的环节。

这就像教一个人做饭，你不能把菜都切好调料都配好只让他掂勺，得让他从买菜洗菜开始全套走一遍，否则他永远学不会应对"冰箱里没有葱"这种真实厨房里天天发生的意外。如果跳过环境搭建这一步，模型学到的只是"在别人准备好的舞台上表演"，一旦换个真实场景就露馅。

光有单个任务还不够狠。研究团队又搞了个"多任务链接"，随机挑五个已经生成好的任务，把它们的代码仓库、任务说明、测试标准全部拼在一起，变成一个横跨多个大型项目、需要模型来回切换上下文的超级任务，团队管这个叫"前沿级任务"。

教模型模仿，再教模型自己练

数据有了，接下来是怎么把这种能力灌进模型里。团队用的是三步走：先合成数据，再"拒绝采样微调"，最后强化学习。

**"拒绝采样微调"这个词听起来拗口，其实逻辑很简单：**

先找一个已经很擅长长时间干活的老师模型，这里用的是Kimi K3，让它在合成出来的任务上真刀真枪去做，用三种不同的执行框架（Claude Code、Codex、OpenClaw）分别跑一遍，采集下所有的操作轨迹。然后只留下那些最终结果通过了全部单元测试的轨迹，扔掉失败的，用剩下这些"成功案例"去微调一个基础模型，让它先学个八九不离十的样子。

这个筛选逻辑跟考试改卷子有点像，只不过反过来了：不是老师批改学生的卷子，而是让一个学霸先把题做一遍，只把做对的那些解题过程留下来，当成范本给新学生看。团队用三种不同框架生成轨迹这一点也有讲究，如果只用一种框架，模型很可能学到的不是"怎么解决问题"，而是"怎么套用这一种工具的固定套路"。换个环境立刻抓瞎。用三种框架交叉训练，逼着模型学的是解决问题的通用逻辑，而不是死记硬背某个工具的按钮位置。

这一步用了四万多条筛选出来的高质量轨迹，序列长度设到了256k，意味着模型一次能处理的上下文极其长，这也是长时间执行的硬件基础，毕竟你要是记不住几个小时前的事情，谈什么坚持。

模仿是第一步，光靠模仿是不够的。

**接下来才是真正的硬仗：强化学习阶段，模型要在真实沙箱里自己动手，自己犯错，自己承担后果。**

这时候论文里提出了一个我觉得挺有意思的设计，叫"后期阶段奖励加成"（Later Stage Bonus Reward）。

它解决的问题是什么呢？很多长任务在执行到后半段的时候，模型容易开始"摸鱼"，前面把主要框架搭起来了，后面就随便应付，哪怕后面藏着一个关键的隐藏bug没修，或者有个明显能提升性能的优化点，模型也懒得去碰。这跟人写论文或者做项目很像，前面攻坚阶段状态最好，越到收尾越容易松懈，甚至最后关头敷衍了事。

团队的办法是，每次执行完一个完整任务后，找一个强大的大语言模型来把整个操作过程拆成几个阶段（比如六个阶段），再逐阶段判断这个阶段里有没有出现"特别有价值的操作"，比如揪出了一个隐藏很深的bug并且正确修复了，或者做了个关键优化让性能大幅提升。如果在执行过程的后半段（哪怕只有一个阶段）出现了这种高价值操作，模型就能额外拿到0.5分的奖励。

这个设计的巧妙之处在于，它不是单纯奖励"做完了"，而是奖励"在快撑不住的时候还在认真干活"。

如果没有这个机制，模型很可能学会一种取巧策略：前半段表现得很努力，把明显的活干完，后半段随便应付混过验证测试就收工。毕竟只要最终测试通过，传统的"对错二元奖励"是不管过程质量的。加了这个后期奖励，相当于告诉模型，光把作业交上来还不够，最后那几道题也得认真做，不能敷衍。

论文里做了个消融实验验证这个设计到底有没有用，把奖励值从0.2试到0.8，最后发现0.5是最合适的。太小起不到激励作用，太大又会让模型在某些轨迹里过度追求"制造亮点"而忽视了任务本身能不能做对，本末倒置。这也挺有意思的，说明这个奖励的分寸感很重要，不是越大越好。

强化学习框架用的是GRPO（Group Reward Proximal Optimization，一种通过组内多次采样、比较相对奖励高低来优化策略的强化学习算法），每个任务采样8次，取相对表现好的那几次给正反馈。整个训练过程接了一个叫Harbor的框架，负责自动化管理沙箱创建、环境安装、执行调度、打分这些琐碎但必需的基础设施工作。

数字说话：这套方法到底行不行

论文在五个跟长时间执行相关的基准测试上做了对比，结果整理成了下面这张表（节选核心部分，完整版本论文原文有更详细的对照）：

| 模型 | FrontierSWE | NL2Repo | SWE-Marathon | Terminal Bench 2.0 | SWE-Bench Verified |

|---|---|---|---|---|---|

| Qwen3.5-9B（基础模型） | 10.2 | 17.9 | 0 | 27.3 | 43.8 |

| Gemini-3.1-Pro（闭源） | 25.9 | 42.8 | 5.9 | 60.3 | 80.1 |

| **Marathoner-9B（本文方法）** | **26.4** | 34.7 | **8.2** | 57.2 | 77.5 |

这张表里最扎眼的一行是最后一行。

**一个只有9B参数的开源模型，在FrontierSWE和SWE-Marathon这两个基准上，居然打过了谷歌的Gemini-3.1-Pro。**

要知道9B参数在如今动辄百亿千亿参数的模型阵营里，属于比较小的那一档，能在长时间执行这个维度上超过体量更大的闭源模型，说明这套训练方法确实抓住了问题的关键，而不是靠堆参数硬刚。

当然也得说实话，跟Kimi K3、GPT-6-Astra、Claude Fable 5.1这些真正的顶级闭源大模型比，Marathoner-9B还有差距，人家分数普遍在80到90分区间。这也正常，毕竟这些模型的参数量根本不在一个量级。但对比同样规模的开源模型，比如原始的Qwen3.5-9B，几乎所有基准上都是成倍甚至十几倍的提升，SWE-Marathon这个基准原始模型直接是0分，Marathoner做到了8.2分。这个对比最能说明训练方法本身的有效性，而不是模型底子有多好。

论文还专门做了个统计，看Marathoner在两个基准上具体的执行画像：

| 基准 | 平均执行时间 | 平均步数 | 平均工具调用次数 |

|---|---|---|---|

| FrontierSWE | 3.56小时 | 426.2 | 648.3 |

| Terminal Bench 2.0 | 0.58小时 | 104.8 | 239.4 |

这两组数字放在一起看，能看出模型对任务难度是有感知的，不是所有任务都用同一套节奏死板地走完，简单任务半小时左右搞定，复杂任务能拖到三个半小时以上，符合直觉。

拆开来看，每个设计到底贡献了多少

光看最终成绩不够有说服力，团队还做了几组消融实验，一个一个拆解三个关键设计（多任务链接、多框架轨迹生成、后期奖励加成）各自的价值：

| 配置 | FrontierSWE | Terminal Bench 2.0 |

|---|---|---|

| 基础版本（无任何创新点） | 22.7 | 51.3 |

| + 多任务链接 | 24.9 | 54.8 |

| + 多框架轨迹生成 | 24.1 | 53.7 |

| + 后期奖励加成 | 24.6 | 54.4 |

三个设计单独加上去都能带来提升，多任务链接的效果最明显，从22.7涨到24.9，说明合成更难的训练数据这条路走对了。

论文还专门试验了多任务链接里到底该链几个任务合适，结果发现链5个效果最好，链2到3个不够难，起不到锻炼效果，链7到9个又太夸张，脱离了真实评测场景的任务分布，反而拖累表现。这个结果挺有意思，它说明训练数据的难度不是越极端越好，得跟目标场景的难度分布匹配，这跟健身增肌一个道理，训练强度太低练不出效果，太高了容易受伤，得找一个持续可承受又有挑战的区间。

团队还专门跑了环境规模的扩展实验，把强化学习训练用的任务数量从1000一路加到8000，发现随着任务数量增加，模型在FrontierSWE和Terminal Bench 2.0上的表现持续提升，没有出现明显的天花板。这暗示了一件事：只要愿意投入更多真实环境去训练，这种长时间执行能力的上限还能继续往上走，目前还没摸到顶。

写在后面

读完这篇论文，最让我意外的不是那个11.8小时的数字，而是团队处理环境搭建这个细节的态度。

很多做Agent的工作，为了让实验数据好看，会默默地把环境依赖提前配置好，模型只需要专注在"写代码"这一件事上。Marathoner的团队反其道而行，故意给一个什么都没装的裸系统，逼模型从头开始搭环境。这个选择在论文正文里只占了一小段，但它其实暴露了一种研究态度：宁可让训练难度提高、让指标短期内看起来没那么漂亮，也要保证学到的能力是真实可迁移的，而不是在温室里练出来的花架子。

另一个让我反复琢磨的是那个案例轨迹，模型在处理一个Rust控制流重构任务时，中途卡在一个pickle序列化的bug上，它自己去读了序列化的源码，定位到问题出在label_spec的标签值在反序列化时被弄乱了，然后自己设计了一个"归一化"的修复方案。这不是在背答案，这是真的在推理。而且它还在后面遇到了一个更隐蔽的bug，模型自己意识到"宽度检查"用错了数据来源，翻出根本原因后重写了逻辑。这种排查过程跟一个资深工程师debug的思路几乎一模一样，先复现，再对比预期和实际，再定位到具体代码行，再验证修复。

论文没有解决的问题也很明显：这种长时间执行能力目前主要在软件工程这个垂直领域被验证过，换到数学证明、科研写作这些同样需要长期坚持的场景，这套合成数据加拒绝采样加强化学习的框架还能不能直接搬过去用，论文没有给答案。GitHub上的PR天然自带"可验证的单元测试"这个奖励信号，但换成写一篇论文或者证一个数学定理，你怎么设计一个自动化的、二元的对错判断标准？这个问题恐怕比训练模型本身更难。

如果有一天AI真的能像论文里描述的那样连续工作几天去啃一个数学猜想，你会不会好奇，它在那些没人看着的凌晨三点，到底在想什么？

Q&A

Q1：Marathoner是什么？

A：Marathoner是Ant Group联合多所高校提出的自主智能体模型，核心能力是能持续执行超长时间的复杂任务，比如连续工作11.8小时完成872步操作和1273次工具调用。

Q2：Marathoner是怎么训练出长时间执行能力的？

A：分三步，先从GitHub重大版本更新的PR中合成大量高难度任务数据，再用强模型生成轨迹做拒绝采样微调打基础，最后通过强化学习在真实沙箱里让模型自主练习，并用后期阶段奖励加成机制鼓励模型在任务后半段也认真干活。

Q3：Marathoner-9B这么小的模型效果怎么样？

A：在FrontierSWE和SWE-Marathon两个基准上，9B参数的Marathoner超过了参数量更大的闭源模型Gemini-3.1-Pro，但和顶级闭源模型如GPT-6-Astra相比仍有差距，不过相较同规模开源基础模型有数倍提升。