PILOT in the Loop: Live Self-Improvement for Long-Horizon Agents

PILOT 让独立 supervisor 在 worker 运行中实时引导或中止，并把当场暴露的流程和失败蒸馏成可复用技能。两个 backbone、三个基准的六种配置中五种排名第一；Terminal-Bench 2.0 最高高出 9.8 个百分点，GLM-5.1 与 Kimi-K2.6 的自改进增益分别为 14.6 和 12.4 点，输出 token 同时减少 42.9% 和 47.4%。