你让 AI 在终端里执行一条命令，屏幕随后返回结果。通常训练只批改它写出的命令，不批改它能否预判屏幕会出现什么。这篇论文挑战了这个惯例：环境反馈虽然部署时不用 Agent 生成，却可能帮助它理解“做这一步会发生什么”。
作者提出 ActObs，只改训练时的“损失掩码”——也就是决定哪些 Token（模型处理信息的基本小块）需要计错的规则，把轨迹中已有的环境观察也纳入监督，不增加数据、参数或计算轮次。两种方法在监督微调后表现接近，但经过 GRPO（一种按任务成败继续训练策略的强化学习方法）后开始分化。作者报告，在 Qwen3-4B 上，ActObs 在 Terminal-Bench 2.0 的各个采样次数下都更强；单次成功率为 7.2%，传统方案为 5.6%。在 Qwen3-8B 上，它牺牲了一些单次稳定性，却把 16 次尝试内的成功率提高了 3.4 个百分点。
论文的关键解释是：学习预测环境后果，让模型在强化学习中保留了更多不确定性，因此命令参数、选项和路径仍有更多候选可试。换句话说，训练起点看似差不多，却会把 Agent 带向不同的探索方式；这些结果目前来自作者在终端与代码编辑任务上的实验。