📖 AI 总结

SCLATE 是苹果机器学习研究团队提出的一个面向持续学习智能体的训练与评估执行基座。针对现有基准与训练框架只能调度自身事件、导致每个基准与智能体组合都需自建调度循环的问题，SCLATE 通过适配器让基准和未经修改的智能体将各自事件加入统一的开放事件调度器，并借助混合模拟时钟在共享时间线上运行：智能体工作时事件实时流动，空闲间隙则被跳过，从而把长达一个月的场景压缩到数小时内完成。它同时充当 rollout 引擎，通过容器内代理记录每次模型调用的 token 与对数概率。研究将七个基准移植到 SCLATE，并在十种模型上对比十种未经修改的 harness 与记忆配置，发现额外添加的记忆系统未必能稳定胜过 harness 原生记忆，且不同模型对相同 harness 与记忆的使用方式差异显著。在此基础上对 Qwen3.5-4B 进行后训练，模型学会同时使用二者，读取文件行数减少 6.8 倍，SWE-bench Verified 通过率提升 16.7 个百分点，记忆记录更丰富，留出的 MetaClaw 准确率最高提升 11.8 个百分点。