Interlock 用类型化完成图补长任务缺口，Qwen3.6 微调通过率涨 4 个百分点

一句话看懂：针对长程智能体“局部正确、整体没做完”的问题，Hugging Face Papers 收录的论文提出 Interlock 框架，把任务表示成可校验的类型化完成图；在摘要报告的实验中，基于其自采轨迹微调 Qwen3.6 后，多项智能体任务通过率提升约 4 个百分点。

事件核心：发生了什么

原始来源发布时间为 2026 年 10 月 14 日。论文摘要指出，当前大模型智能体在碎片化证据、半完成状态和跨资源依赖的环境中执行长程任务时，容易出现“每个要求都满足、但结果并不完整”的情况。Interlock 的做法是把任务建模为类型化完成图：接地边把公开证据连到决策，耦合同超边施加联合约束，实现边把决策连到所有必需的后续效果，再编译成可重置工作区、公开请求和评估标准。生成过程还设有源覆盖审查与公开输入审查，并由“智能体作为裁判”检查执行产物与验证脚本。

在训练效用验证中，作者用各自被接受的轨迹微调两个 Qwen3.6 基座。摘要给出的结果是：AutomationBench 任务通过率提升 4.00 至 4.50 个百分点，JobBench 加权分提升 3.20 至 6.64 分，Harvey LAB 标准通过率提升 3.89 至 4.16 个百分点。需注意，以上均来自摘要，未核验全文实验，也不代表已上线产品。

为什么重要

长程智能体的瓶颈正从“单步推理能力”转向“任务完整性”。传统评测往往奖励局部正确，而 Interlock 把证据、决策和下游效果放进同一约束结构，并配套可执行评测，这更接近企业场景对可交付结果的要求。如果该方法可复现，它将为智能体训练数据合成和过程奖励提供一条可操作路径，也会推动评测标准从答题式走向验收式。

对用户/开发者/创作者的影响

对开发者而言，Interlock 提示了新的数据构造思路：不是简单收集成功轨迹，而是构造带依赖关系的任务图并自动校验结果。这会增加工程复杂度，但有望减少智能体在真实工作流中的“看着对、实际缺”问题。对使用 AI 应用的用户和创作者来说，短期影响有限，因为目前公开信息仅是论文摘要；若相关方法进入开源框架或 API 工具链，任务型智能体的可靠性和验收透明度才可能实质改善。