OpenAI翁家翌：梯度之外，下一個AI訓練范式有著落了？

機器之心編輯部

如果有一天，一段由 AI 編程工具寫的純粹的程序代碼 —— 沒有神經網絡，沒有梯度下降，沒有任何「訓練」—— 卻在經典游戲里打出了理論最高分，在機器人控制里跑出了媲美 Deep RL 的成績，你會怎么解釋這件事？

這不是科幻設定，而是 OpenAI 研究工程師翁家翌（Jiayi Weng）最近在一篇博客里記錄的真實實驗。他本來只是想給游戲測試寫幾條便宜的小規則，結果弄出了一套讓他自己都感到震撼的東西。他由此重新審視了一種長期被低估的方法 ——heuristics，認為它可能正在迎來屬于自己的時代。

手寫規則本身不是新東西。專家系統幾十年前就有了，問題也是老問題：今天加一條規則修好 A，明天發現 B 壞了，后天再打補丁，最后沒人敢動了。規模一大，維護成本就把人壓垮。翁家翌的核心觀察是：coding agent 改變的正是這條成本曲線。當 agent 能夠自動讀日志、看回放、改代碼、跑測試、記錄實驗，一套手寫規則系統就第一次有了持續生長的可能 —— 原來只能當補丁用的東西，現在開始值得長期擁有了。

這也直接觸碰了 Continual Learning 的老問題。神經網絡的災難性遺忘，根源在于舊能力只能靠參數隱式保存，新數據一來就容易被沖掉。而在他提出的 Heuristic Learning 框架里，舊能力可以直接寫進回歸測試、固定 seed 的回放和明確的失敗記錄，歷史是顯式的、可讀的、可重構的。這不是解決了遺忘問題，而是把「防遺忘」變成了一個更工程化的問題來處理。

當然，翁家翌也指出了這套方法的邊界：代碼的表達能力終究有限，復雜感知和長程泛化還是神經網絡的主場。他認為更有前景的方向是兩者結合 —— 用 Heuristic System 快速處理在線數據、積累可回歸的經驗，再周期性地把這些經驗內化進神經網絡。

他把這個愿景總結成一句話：凡是可以被持續迭代的，都開始能被解決。這和之前幾輪范式轉移的邏輯一脈相承 —— 從 pretrain 到 RLHF，再到 large-scale RL，每一步都是把「可驗證」的邊界往外推了一圈。Heuristic Learning，或許是下一圈。

翁家翌是 OpenAI 后訓練（Post-training）RL 基礎設施的核心工程師之一。2022 年加入 OpenAI 時，他的面試官正是 John Schulman。此后，他主導搭建了 OpenAI 后訓練階段的核心 RL 基礎設施，這套系統支撐著 GPT 系列在 RLHF、對齊與推理優化階段的訓練迭代。

以下是翁家翌的博客《Learning Beyond Gradients》原文，機器之心經授權轉載：

原文鏈接：
https://trinkle23897.github.io/learning-beyond-gradients/#zh

Continual Learning 一直難以被解決，主要卡在神經網絡的災難性遺忘：學了新東西，舊能力就容易被沖掉。那如果不把目光只放在神經網絡權重上，還有沒有其他解決方案？

隨著 LLM agent 變強，coding 的速度和質量都在提升。但我最近更在意的是另一個現象：coding agent 不訓練新網絡、不更新權重，只是持續看失敗、改代碼、加測試、看回放，也能把一套程序系統越養越強。

這讓我重新看待 heuristic，也就是手寫規則和程序策略。過去很多 heuristic 不是沒用，而是沒人養得起；coding agent 改變的是這條維護成本曲線。于是，過去只能當一次性補丁的規則，開始變成值得長期擁有的代碼。

凡是可以被持續迭代的，都開始能被解決。這也是 Continual Learning 一直想要解決的問題。它會是既 Pretrain、RLHF、Large-scale RL/RLVR 之后的下一個范式嗎？

異?，F象

在業余時間維護 EnvPool 的時候，我想用一個便宜一點的策略來測試游戲環境正確性，不然每次 CI 都跑神經網絡，很費測試資源。

一開始的問題只是：

能不能寫一些便宜、可復現、比隨機強很多的 heuristic，專門把環境跑到有信息量的狀態？

我試著使用 codex（gpt-5.4）寫一個基于規則的版本，完全不依賴 NN。沒想到弄了幾下，結果比我預期離譜很多：

• 一個打磚塊游戲 Atari Breakout，策略從 387 -> 507 -> 839 -> 864，最后打到理論最高分；
• 一個仿真四足機器人關節控制任務 MuJoCo Ant，純 Python 程序策略先學會節律步態，再接上短視窗模型規劃，最后上了 6000+ 分，進入常見 Deep RL 結果的量級；
• 一個仿真機器人跑步任務 MuJoCo HalfCheetah，靠可解釋的步態 / 姿態規則和在線規劃，迭代到 5 局復測均值 11836.7，也進入了常見 Deep RL 結果的量級；
• 一整套 Atari 57 個游戲，一共跑了 57 個游戲 x 2 種輸入 x 3 次運行 = 342 條 coding-agent 搜索軌跡，表現有好有壞；但在固定環境交互步數下，中位數 HNS 游戲得分在 1M 環境步附近已經遠高于 PPO 這類 Deep RL 算法的曲線。

這些結果第一次見到十分震撼，更讓我在意的是：codex 沒有訓練神經網絡，它在維護一套還能繼續生長的軟件系統。

Breakout 策略到最后遠遠超過一句 “球在左邊就往左”。這個策略長出來的是動作探測、狀態讀取、球和擋板檢測、落點預測、卡住循環檢測、回歸測試、視頻回放和實驗記錄。Ant 策略也超過一條步態公式，里面有節律控制、姿態反饋、接觸信息、短視窗模型展開。

于是我意識到有必要在這里創造一個新的概念：這里被更新的對象已經不只是策略函數，而是一套帶有記憶、反饋入口和回歸機制的軟件系統。

Heuristic Learning

在接著和 codex 交流了一陣子之后，我想把這個過程定義為 Heuristic Learning（HL）：

• HL 的主體由程序代碼構成；
• 它和今天常見的 Deep RL 實踐共享狀態、動作、反饋、更新的閉環；但更新對象從神經網絡參數換成了軟件結構；
• 它的反饋由 coding agent 消化，可以來自環境 reward、testcase、日志、視頻、回放、人類反饋；
• 它的更新不走反向傳播；coding agent 直接修改 policy、狀態檢測器、測試、配置或者 memory；
• HL 是學習和更新的過程；被 HL 長期維護的對象稱之為 Heuristic System（HS）；
• HS 超過一個孤立的 policy.py：它至少包含程序策略、狀態表示、反饋入口、實驗記錄、回放或測試、memory，以及由 coding agent 執行的更新機制。單條 rule 不夠，規則、反饋、歷史和下一輪更新全部接起來，才稱之為 HS。

列一個表就是：

Heuristic Learning 相比 Deep RL 有很多良好的性質：

• 可解釋性（Explainability）：神經網絡很難解釋，HL 的代碼策略可以翻譯成人話；
• 樣本效率（Sample Efficiency）：一次有效代碼更新可以直接跳到新策略，不用調學習率慢慢爬；
• 可回歸 / 可驗證（Regression-testable）：舊能力可以變成 test、replay、golden case；
• 可約束過擬合：代碼 heuristic 也會過擬合到 seed、環境細節或測試漏洞，但簡化、回歸和多 seed 檢查可以形成一種工程正則化；
• 可以避免一部分災難性遺忘（Catastrophic Forgetting）：舊能力不用全靠模型自己記住，可以被寫進 rule set 和測試里。

重點在于，有一類原來因為維護成本太高而不值得寫的 heuristic，現在突然可能值得長期擁有了。

為什么 Heuristic Learning 以前沒發展起來

如果說 HL 的前身是專家系統、規則系統，那么在 coding agent 沒發展起來之前，這玩意的維護成本十分高昂。

人類手工維護 heuristic 很容易變成這樣：

今天加一條規則修 case A。明天發現 case B 被修壞了。后天再加一個 if。大后天沒人敢刪了。

問題不在 heuristic 沒用，在沒人力能養得起。之前人力維護專家系統，有點像工業革命前手工紡紗：規模一大，穩定性和維護成本就壓死人。紡織機改變的是產能曲線；coding agent 改變的是 heuristic 的維護曲線。它像一條可以輸送智力的營養管道，可以持續澆灌一個 HS，讓它自己迭代進化。

目前常見的 agentic 反饋閉環主要是：

feature request -> agent 寫代碼 -> 過 test -> 人類給一點反饋 -> 下一輪 patch

但隨著大模型能力提升，人類介入次數會逐漸變少，這個反饋循環就有機會在某些邊界明確的系統里自動閉合，從而能夠實現自動化用 HL 批量生產 HS：

環境反饋 / 測試失敗 / 日志異常-> coding agent 讀 context-> 修改 policy /test/memory-> 重新運行-> 把結果寫回 trials 和 summary-> 下一輪繼續

Heuristic Learning 怎么做 Continual Learning

神經網絡里的災難性遺忘，是新數據把參數往新任務推，舊能力被覆蓋掉。HL 也會忘，例如：

• 新規則修好了一個失敗模式，同時破壞舊場景；
• 新 memory 把 agent 反復帶到錯誤方向；
• 新測試太窄，導致策略學會鉆空子；
• 新 patch 改了公共接口，舊調用方悄悄壞掉；
• 規則越堆越多，最后 agent 自己也維護不動。

所以 HL 不會自動解決 Continual Learning。它把 “防遺忘” 變成了更工程化的東西。

在 HL 里，舊能力可以被固化成：

• 回歸測試；
• 固定 seed 的 replay；
• golden trace；
• 失敗視頻；
• 版本 diff；
• 明確寫下來的失敗方向。

與神經網絡把經驗壓進權重完全不一樣：HL 的歷史是顯式、可讀、可刪、可重構的。它負責 “記住”，也負責把一堆局部補丁壓縮成更簡單的表示。

（只增長不壓縮的 HS，最后一定會變成屎山代碼。它會 “記住” 很多東西，但記住的方式太差，導致誰也不敢動，從而腐化）

所以一個健康的 HS 至少需要兩個操作維持：

1. 吸收反饋：把新失敗、新日志、新 reward 寫回系統。
2. 壓縮歷史：把一堆局部補丁折回更簡單、更可維護的表示。

這就把 Continual Learning 從 “怎么更新參數” 變成了 “怎么維護一個持續吸收反饋的軟件系統”。

Heuristic System 的復雜度

此處定義 耦合復雜度 為 coding agent 能維護多復雜的策略來支持 HL。展開說，就是一次更新必須同時照顧多少相互牽連的狀態、規則、測試、反饋和歷史。

這個量不能按代碼行數算。一個 500 行策略，如果模塊邊界清楚、測試完整、狀態可復現，可能很好維護；一個 80 行策略，如果每行都互相牽制、沒有日志、沒有回放，也可能是個定時炸彈，一碰就崩。

朝代碼一側看，耦合復雜度受模塊邊界、接口穩定性、測試覆蓋、日志觀測性、回滾成本和狀態可復現性限制。好的模塊化會把全局耦合切成局部耦合，從而降低耦合復雜度；好的測試能讓 coding agent 不必每次在腦子里模擬整個系統。

朝 coding agent 一側看，能接受多少耦合復雜度，取決于模型能力、上下文長度、memory 質量、工具質量、整體迭代速度。更強的模型能夠同時處理更多相互作用；更長的上下文能讓它少丟線索；memory 可以把跨輪次迭代經驗留下；搜索、定位、運行、回放這些工具能夠把一部分認知負擔搬到外部。

把這兩側放一起，可以得到一組判斷：

• 反饋越清楚，單位 agent 智力能維護的耦合復雜度越高；
• 同等工具和反饋下，模型能力越強，能處理的耦合復雜度越高；
• 模塊化、測試、回放會把一部分耦合復雜度轉移到環境里；
• memory 和工具會提高 agent 的有效上下文；
• 只增長不壓縮的 HS 會讓耦合復雜度持續上升，直到超過維護能力。

Breakout 策略能走到 864 的滿分，有規則簡單的一面，也有失敗可以視頻回放、局部復現、回歸驗證的一面。Ant 復雜得多，但它可以拆成節律、姿態、接觸、residual MPC 這些模塊。

Montezuma 是一個很好的反例。Atari57 里有一條無人值守的記錄到了 400 分，但那條路線由 86 個宏動作組成，基本是開環執行。這個例子說明，有些環境需要更強的程序形態，比如可組合宏動作、可恢復搜索狀態、長期 memory。普通 if else 不能解決所有問題。

下一個范式？

目前的范式轉移是從最開始的 pretrain，到 RLHF，再變成 large-scale RL / RLVR。凡是可以驗證的，都開始能被解決。

Online Learning 和 Continual Learning 可以被當前 RLVR 生產出來的 agentic coding，通過 Heuristic Learning 的方式部分解決。從這個愿景出發，我愿稱其為下一個范式：凡是可以被持續迭代的，都開始能被解決。

為什么說是部分解決？因為 Heuristic Learning 并不能做所有神經網絡能做的事情。它受制于代碼的表達能力，比如復雜感知和長程泛化。比如在我目前認知范圍內，我想不出有個 agent 能搓出一個純 Python code、不用神經網絡去解決 ImageNet。

于是問題在于如何結合神經網絡和 HL，同時解決 Online Learning 和 Continual Learning。最有希望的方向是：用 HL 處理在線數據快速生成在線經驗，把在線經驗內化成可訓練、可回歸、可篩選的數據，再周期性更新神經網絡。

以機器人為例，如果套用 System 1/2 的術語，一個可能的分工形態如下：

• 專用、淺層 NN：當作 System 1 的一部分，快、便宜，負責感知、分類、物體狀態估計；
• HL：也可以當作 System 1 的一部分，負責最新數據處理、規則、測試、回放、memory、安全邊界、局部恢復；
• LLM agent：作為 System 2，負責給 HL 提供反饋、改進數據，并周期性提取 HL 生成的數據來更新自身

這套東西可以繼續拆成層級結構：

關節級 HL -> 肢體級 HL -> 全身平衡 HL -> 任務級 HL

低層負責安全和低延遲控制，中層負責步態和接觸，高層負責任務、恢復和長期記憶。coding agent 不一定直接 “懂得走路”，它更像插進系統里的更新管線：持續把失敗視頻、傳感器流、仿真結果、測試結果喂進系統，再把反饋改寫成代碼、參數、保護規則和 memory。

LLM agent 可以共享，也可以相互隔離在機器人體內自行學習。這里的問題是：HL 提供的特定數據分布如何才能不讓 LLM 的周期性更新崩潰。這是一個經典的 post-training 問題，已經有很多成熟經驗，由于某些原因在這里就不展開了。

Agentic coding 改變了寫代碼速度，也改寫了哪些代碼值得被長期擁有。

過去很多 heuristic 看起來沒有前途，原因常常落在維護成本上；它們本身未必太弱。coding agent 改變的是這條維護成本曲線。規則、測試、日志、memory 和補丁原來只是散落的工程材料，現在開始可以組成一個會持續更新的 Heuristic System，能夠真正解決 Online Learning 和 Continual Learning 所未能解決的問題。

歡迎來到下一個范式！

附錄：實驗過程和復現入口

完整 artifact repo 在
https://github.com/Trinkle23897/learning-beyond-gradients。下面命令默認你已經 clone 了這個 repo，并在倉庫根目錄運行；GitHub Pages 只展示文章和必要靜態文件，完整腳本、CSV、視頻和實驗材料都在 repo 里。

以下實驗中 codex 模型版本均為 gpt-5.4，最新版本模型尚未測試。以下實驗報告均由 codex 自行攥寫。

A.1 實驗過程簡述

一開始我直接問 Codex：“寫一個能解決 Breakout 的策略。” 效果一般。低分沒有解釋力：它不知道是動作語義錯了、狀態檢測錯了、評測設置錯了，還是策略結構本身不行。后來我把任務改成另一種形式：別只交一個 policy.py，要維護完整閉環。

閉環大概長這樣：

探測動作和觀測-> 寫狀態檢測器-> 寫策略-> 跑完整回合-> 記錄 trials.jsonl 和 summary.csv-> 生成視頻或曲線-> 看失敗模式-> 改策略-> 簡化代碼并做回歸

到這里，任務的形狀已經變了。最后產出的東西從一個策略文件，變成了一套還能繼續改的實驗系統。它有探測器，有記錄，有回放，有失敗模式，也有下一輪該怎么改的線索。

Breakout

相關 artifact：heuristic_breakout.py、
heuristic_breakout_trials.jsonl、heuristic_breakout_trials_summary.csv。

Breakout 表面上是幾何問題：球在哪里，擋板在哪里，球撞墻以后會落到哪里。麻煩在后半段。策略可以一直接到球，卻不再打到新磚，分數卡在一個穩定循環里。

Codex 第一輪先確認動作空間和觀測形狀，再從 RGB 畫面里找擋板、球、磚塊顏色，然后用這些圖像標簽去掃 128 個 RAM 字節。早期實驗記錄大概是這樣：

trial_name score cumulative_env_steps noteshape_action_probe - 32 inspect obs/info/actionram_byte_corr_probe_v1 - 5,032 correlate RAM bytesram_fit_action_probe_v2 - 9,532 action 2=right, 3=leftbaseline_v0 99 16,303 initial RAM intercepttunnel0_v1 387 43,303 no tunnel offset

387 是第一個很容易騙過人的局部高分。策略已經能穩定接球，但它把球送進了一個周期：不會死，也不會繼續清磚。人手寫到這里，很容易繼續調 “接球精度”。Codex 看了視頻和最后幾十步軌跡后，把問題定位到球路缺少擾動。

視頻 artifact：
heuristic_breakout_score387_tunnel0_render210x160.mp4。

第一個有效機制是打破循環：如果連續很久沒有獎勵，就在預測落點上周期性加偏移，把球從局部循環里打出去。這一改把分數從 387 推到 507。

后來又遇到另一個失敗模式：高速低位球如果按普通截距追，擋板會被過度前視帶偏。Codex 加了 fast_low_ball_lead_steps=3，分數從 507 跳到 839。

從 839 到 864，更像是在照料一個已經變復雜的系統。Codex 試了死區、發球偏移、卡住偏移、磚塊平衡偏置、前視步數，很多方向都沒用。最后起作用的是一個后期條件：分數超過第一面墻以后，卡住偏移只在離擋板還遠的時候生效；快接球時把偏移逐步收掉，不然最后幾塊磚階段會把擋板帶偏。同時它加了一個很小的擋板漂移補償，用來補動作和擋板位置之間的一步延遲。

視頻 artifact：
heuristic_breakout_ci3985ae2_score864_render210x160.mp4。

最終 RAM 默認配置三局驗證是 864 / 864 / 864。后面 Codex 又把同一套幾何控制遷移回純圖像輸入：不用 RAM，只用 RGB 分割找擋板、球和磚塊平衡。純圖像版本先是 310，然后 428，最后把后期 “卡住偏移逐步收掉” 的閾值放低到全程生效，7 個策略本地回合后第一次到 864，對應 14,504 個策略本地環境步。

這里不能寫成 “純圖像從零 14.5K 步到滿分”。真實過程是：Codex 先在 RAM 版本里摸出了幾何控制、打破循環、后期收偏移這些結構；等結構穩定以后，再把狀態讀取層從 RAM 換成 RGB 檢測器。純圖像的 14.5K 是遷移預算。

Ant 和 HalfCheetah

相關 artifact：heuristic_ant.py、ant_envpool.xml、
heuristic_ant_trials.jsonl、heuristic_ant_trials_summary.csv、heuristic_halfcheetah_v5.py、heuristic_halfcheetah_v5_log.md。

Ant 的信號和 Breakout 不一樣。Breakout 的幾何結構很直觀；Ant 是連續控制，動作是 8 個關節，失敗模式也從 “球沒接到” 變成了身體動力學問題。

我沒有一開始就指定 “用 CPG” 或 “用 MPC”。要求只有幾條：別訓練神經網絡，能本地復現，每輪實驗留下記錄，繼續把分數往上推。Codex 先讀 EnvPool/Gymnasium 的 Ant 觀測和回報，確認動作順序、根部速度、軀干朝向、關節位置和關節速度，然后自己提出第一版節律步態。

第一版是四腿相位振蕩器：左右腿反相，髖關節和踝關節跟蹤正弦目標角，動作由 PD 控制器給出。它不優雅，但一上來就比隨機強很多，5 個隨機種子的平均分是 2291。

后面的早期迭代很像調一個真實控制器：先加偏航反饋到 2718，再調相位速度、髖 / 踝幅度、偏航角速度增益到 3025，然后加二階 / 三階諧波到 3162。Codex 也試過大范圍參數搜索，但結果沒有穩定超過當前節律策略，于是停止擴大搜索預算，轉向另一種表示。

躍遷來自 residual MPC。粗略講，MPC 是 “邊走邊想一小段未來”：保留節律步態作為基礎反射，每個真實環境步在本地 MuJoCo 模型里采樣幾十條小的殘差動作序列，打分后只執行第一個殘差動作；下一步重新看狀態、重新規劃，并把上一輪沒執行完的計劃作為熱啟動。

這樣每一步都不用從零規劃 8 個關節怎么動。策略先有一個穩定步態，再用短視窗模型規劃去修正它。

trial_name score_mean cumulative_env_steps noteant_lr_cpgpd_v1 2291.9 5,000 左右腿反相 CPG + PDant_yawaxis_grid_v2 2857.9 20,000 偏航反饋 + 重調參數ant_h3_428_v1 3162.0 50,000 二階/三階諧波ant_mpc_residual_v1_ep1 3635.5 62,000 視窗=6，候選=32ant_mpc_residual_cfg4_eval5 3964.7 67,000 視窗=8，候選=48ant_mpc_residual_cand07_eval5 4647.1 73,000 圍繞 MPC 配置做局部搜索ant_mpc_residual_narrow04_eval5 4871.3 79,000 降低 z 目標，增大 kp/候選數ant_mpc_residual_warm02_eval5 5165.2 85,000 熱啟動殘差計劃ant_mpc_fast065x060_sigma008_clip012 5759.4 95,000 更快步態 + 更大殘差ant_mpc_term001_ep1 6054.5 100,000 終端速度代價ant_mpc_default_adaptive_ep1 6146.2 106,300 速度自適應相位 + 支撐期

到最后，策略里有振蕩器相位、支撐期比例、速度自適應、滾轉 / 俯仰 / 偏航反饋、腳部接觸、短視窗模型內展開、殘差平滑、終端速度代價、熱啟動計劃衰減。人類當然能寫其中一兩個模塊，但要在短時間內同時照顧實驗記錄、代碼、視頻和失敗方向，難度完全不同。

視頻 artifact：
heuristic_ant_mpc_default_6146_render480.mp4。

HalfCheetah 是同一類證據的另一個點。我重新跑了
mpc-staged-tree-asym-pd-cpg 的 5 局復測，seeds 100..104 的結果是均值 11836.7、最小值 11735.0、最大值 12041.2。策略靠的是可解釋的步態 / 姿態規則和在線 staged-tree MPC：先用 CPG/PD 形成高分步態，再用短視窗模型評分和 staged swing-amplitude schedule 修正動作。

Atari57

相關 artifact：
atari57_prompt_template.txt、atari57_aggregate_curve_steps.csv、atari57_env_mode_summary.csv、openrl_atari57_per_game_hns_comparison.csv、atari57_hns_normalization_inferred.csv。

Breakout 和 Ant 都是單點故事。Atari57 想看的，是這套工作流離開單個漂亮案例以后還剩多少。做法很直接：把同一套 Codex 流程扔到整套 Atari57 上，每個環境同時跑 ram 和 native_obs 兩種輸入，每種輸入跑 3 個獨立重復。總共是：

57 個游戲 x 2 種輸入 x 3 次運行 = 342 條 coding-agent 搜索軌跡

這組實驗沒有人在旁邊一點點提示。每個 agent 拿到同一個模板和不同的 ENV_ID / OBS_MODE / REPEAT_INDEX，然后自己執行到停止。每個 run 都要寫 policy.py、trials.jsonl、summary.csv、sample_efficiency.png 和 README.md。

主要約束是：

- 不訓練神經網絡。- 不讀環境源碼、測試、ROM 細節或隱藏狀態。- native_obs 模式只能用 reset/step 返回的原生 obs。- ram 模式可以用 info ["ram"]。- Atari 初始化參數固定，包括 frame_skip=1、reward_clip=False、sticky action=0。- 所有實際 step 過環境的 probe/debug/trial 都必須計入 cumulative_env_steps。

先看環境步曲線。HNS 是 human-normalized score，也就是把每個游戲分數按人類基線歸一化以后再比較。在完全無人工介入的批量運行里，native_obs 到 1M 步附近的 Atari median HNS 已經到 0.32，ram 是 0.26，明顯高于圖里 PPO2 / CleanRL EnvPool PPO 的早期曲線；到 9.7M 步附近，native_obs 是 0.81，ram 是 0.59。同一張對比里，OpenRL Benchmark 保存的 PPO2 / CleanRL EnvPool PPO median HNS 曲線到 10M 步大約是 0.88 / 0.92。

這里比較的是環境交互效率；coding agent 讀日志、寫代碼和看視頻的開銷沒有折算進總計算成本。它給出的信號很具體：一個還很粗糙的 coding agent 批量流程，在完全不看中途結果的情況下，已經能把 Atari57 的中位數推進到接近這些 baseline 的區間。

如果換成每個游戲最終取 best input 的匯總口徑，Codex median HNS 是 0.83，OpenAI Baselines PPO2 是 0.80，CleanRL EnvPool PPO 是 0.98；如果再放寬到 best single run，Codex median HNS 是 1.18。這個口徑不能替代嚴格訓練曲線比較，但能更直接地說明這批無人值守搜索最后覆蓋到了什么水平。

聚合曲線會把差異壓到一個中位數里，所以我又看了每個游戲自己的 HNS。Breakout、Krull、DoubleDunk、Boxing、DemonAttack 這些游戲里，heuristic 和 Deep RL baseline 都能拿到明顯高于人類基線的分數；Asterix、Jamesbond、Centipede、Bowling、Skiing、Tennis 這類游戲里 heuristic 相對突出；Atlantis、VideoPinball、UpNDown、Assault、RoadRunner、StarGunner 上 PPO 明顯強很多。

Atari57 最有意思的地方，是樣本效率的來源變了。傳統神經網絡 Atari 學習要在每個環境里從高維輸入重新學表示、信用分配和動作含義；Codex 做的是把環境拆成可維護的小程序系統：射擊游戲的瞄準 / 躲避，接球游戲的反彈，躲避游戲的位置規則，環境包裝器細節，以及每個環境自己的失敗實驗記錄。

Montezuma

相關 artifact：heuristic_montezuma.py、
heuristic_montezuma_state_graph_search.py、heuristic_montezuma_400_policy.py、heuristic_montezuma_400_macros.json、heuristic_montezuma_400_metadata.json。

有些環境不適合普通反應式啟發式策略。Montezuma's Revenge 是典型例子。

之前那輪單獨搜 Montezuma 的狀態圖搜索能把鑰匙距離從 72 推到 28，但獎勵仍然是 0。后面 Atari57 的純圖像批量實驗里，有一條無人值守 Codex run 到了 400.0 分：修復后的最佳回放是 repair_replay_r1_t19734，seed 是 10001，用了 1769 個環境步，本質是一條 86 個宏動作組成的開環路線。

Montezuma 暴露的是表達力問題。普通 policy.py 狀態機很難裝下這類路線：動作必須對齊時機，失敗后要能恢復，中間狀態還要能重新進入計劃。有些環境需要可組合宏動作、可恢復搜索狀態，甚至需要一種比普通 if else 更適合長期規劃的程序結構。

這類失敗對 HL 很有價值。它告訴我們邊界在哪里，也提示下一層抽象大概該長什么樣。有些反饋需要新的表示和新的程序形態，才進得了系統。Montezuma 指向的下一層接口，大概會包括宏動作、可恢復狀態、搜索和長期記憶。

A.2 復現入口

下面這些命令默認在本文所在目錄運行，依賴已經按 requirements.txt 裝好，用來檢查前面提到的幾個代表性結果。

Pong 21

復現入口：heuristic_pong.py。

python heuristic_pong.py \ --policy ram \ --episodes 1 \ --seed 0

期望輸出里應該包含 episode=0 score=21.0 和 mean=21.000。

Breakout 864

復現入口：heuristic_breakout.py。

rm -f /tmp/repro_breakout_864.jsonl /tmp/repro_breakout_864.csvpython heuristic_breakout.py \ --policy ram \ --episodes 1 \ --seed 0 \ --max-steps 108000 \ --deadband 3 \ --chase-lead-steps 6 \ --tunnel-offset 0 \ --launch-offset 24 \ --fast-ball-min-vy 3 \ --fast-low-ball-lead-steps 3 \ --stuck-trigger-steps 1024 \ --stuck-switch-steps 256 \ --stuck-offset 12 \ --stuck-release-horizon-steps 8 \ --brick-balance-deadzone 0.01 \ --brick-balance-bias-min-score 432 \ --late-game-paddle-lag-px 2 \ --late-game-lag-ball-y 170 \ --trial-name repro_breakout_864 \ --log-path /tmp/repro_breakout_864.jsonl \ --summary-path /tmp/repro_breakout_864.csv

期望輸出里應該包含 score=864.0 和 mean=864.000。

Ant 默認 MPC 策略

復現入口：heuristic_ant.py、ant_envpool.xml。

rm -f /tmp/repro_ant_6146_eval5.jsonl /tmp/repro_ant_6146_eval5.csvpython heuristic_ant.py \ --policy mpc \ --episodes 5 \ --seed 0 \ --max-steps 1000 \ --mujoco-xml-path ant_envpool.xml \ --trial-name repro_ant_6146_eval5 \ --log-path /tmp/repro_ant_6146_eval5.jsonl \ --summary-path /tmp/repro_ant_6146_eval5.csv

我本地重跑時是 mean=6005.521、min=5776.805、max=6146.208。

HalfCheetah staged-tree MPC

復現入口：
heuristic_halfcheetah_v5.py。

python heuristic_halfcheetah_v5.py \ --policy mpc-staged-tree-asym-pd-cpg \ --eval-episodes 5 \ --eval-seed 100

我本地重跑時 5 局均值是 11836.693。

Montezuma 400 分回放

復現入口：
heuristic_montezuma_400_policy.py。

python heuristic_montezuma_400_policy.py \ --metadata-out /tmp/repro_montezuma_400.json

期望輸出里應該包含 "score": 400.0 和 "env_steps": 1769。這條是邊界案例，不要把它理解成通用 Montezuma 策略。

文中視頻鏈接：
https://mp.weixin.qq.com/s/LIhogqKOvyDir04Ket7G0w