MiRL 论文：错误靶向 RL 让终端 agent 重复犯错减少 43-57%

北卡团队发布 MiRL 论文，将错误靶向 RL 引入终端 agent 训练，使策略在未见前缀上的重复犯错平均减少 43-57%。基于 Qwen3.5-4B，Terminal-Bench Lite 得分 51.8%，高于 TMax-4B 的 47.4%；Terminal-Bench 2.1 得分 21.3%，略高于 20.6%，且 rollout 用量仅为后者的 35%。