**VHD-Play：从已解机制生成可验证的智能体强化学习环境**

_Verifiable Hidden Dynamics Play: Generating Agentic RL Environments from Solved Mechanisms_

> 该论文提出 VHD-Play，将环境生成流程反转：先采样并求解一个数学模型，再由基于语料的设定器把解题过程渲染为带状态的可执行工具，从而让动态规则与轨迹评分标准都继承自同一已解模型。该流程以每个约几美分的成本生成 3300 个多样化智能体环境。用其在三类环境上训练 Qwen3.6-35B-A3B，五类诊断中的平均智能体得分从 0.204 提升至 0.815；在全部三类训练族留出实例、八个未见机制族，以及通用函数调用、旅行规划、365 天电商等外部基准上也均有增益。在 E-Commerce Bench 上，训练后的模型每次运行均未破产，并超过 Qwen3.7-Max。对比书面题与显式/隐式参数的带状态版本发现，可学习差距主要来自带状态交互而非底层问题求解。冻结的 35B 设定器可生成更大环境，规模匹配训练在机制规模与时间跨度增长时仍保持增益，显示出构建可演化训练基底的潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.27321)