研究与基准测试/2026-10-09/8 分钟Hard20 从 26.25% 到 85.00%：阿里用五个基准测回放时干预阿里 Token Hub 的 RTI 在回放时把失败轨迹改成成功轨迹。Qwen3-8B 上，相对 GRPO，Telecom 的 Pass@1 高 24.56 个百分点，导航高 22.00。Qwen3.5-9B 的 Hard20 从 26.25% 到 85.00%。去掉完整性检查后，导航掉到 26.00%，低于 GRPO 的 35.33%。
