arXiv 2610.05195：Long-MDR 把多模态深度研究 agent 的 RL 推到 128k 上下文

背景

论文 Long-MDR（10 月 4 日）针对多模态深度研究 agent，把在线 RL 训练扩展到长上下文与长交互。

核心要点

• 首次在 128k 上下文、75+ 工具交互轮次上做在线多模态深度研究 RL。
• 揭示早期弱策略浪费交互预算、后期策略熵坍塌两大实践局限。
• 提出三件套：On-Policy Distillation Warmup、Progressive Horizon Expansion、Entropy-Triggered Rescue。
• RL 训练的 Long-MDR-9B 在 7B-9B agent 对比中 6 项基准 5 项居首。

为什么重要

把深度研究 agent 的 RL 训练推到真实长程 regime，给出效率与稳定性并重的训练配方，弥补短程 RL 的不足。

关键事实速记

• 论文 arXiv 2610.05195（10-04）
• Long-MDR 长程 RL
• 128k 上下文 + 75 工具轮
• 三件套训练配方
• 9B agent 6 基准 5 项第一