你让 AI 在终端里修一个程序，它不能只答一道题。它得先找文件、读代码、运行测试，再根据报错反复修改。中间任何一步走偏，都可能前功尽弃。FireFlash 想解决的正是这种“做得久、步骤多、还要不断纠错”的任务，并把训练成本压到较小规模团队可能承受的范围内。
FireFlash 是一个面向长流程 Agent 的 300B-scale 模型。长流程 Agent——能连续规划、调用工具、查看结果并纠错的 AI——难点不在某一次回答，而在长时间保持目标和状态。项目方称，FireFlash 在 Terminal-Bench 4.0 上取得 46.2%。Terminal-Bench 是一套终端任务基准，用隔离环境检查 Agent 能否操作文件、运行程序，并根据反馈持续修正。
需要先说明：目前这些数字都来自项目方在 Reddit 发布的一篇帖文，尚无独立评测或复现实验交叉印证。
先把“考卷”修好
FireFlash 的第一步不是盲目增加训练量，而是筛选强化学习环境。强化学习（RL）会根据任务是否完成给予奖励或惩罚，让模型逐渐偏向更有效的行动。问题在于，如果题目、测试或判分器本身有错，模型收到的反馈也会失真。
据 Agent Economics 介绍，团队审计那些模型一次也做不出来的训练题时，发现近一半并非真正困难，而是题目或判分器有问题：有的漏写要求，有的测试会错杀正确答案，还有的会因输出格式不整齐而崩溃。团队因此为每道题设置九道准入检查，包括参考答案必须能运行、环境不能泄题、空白答案必须得到零分。说白了，训练 Agent 之前，先要保证考卷能考出真本事。
项目方把另外两个关键点概括为：一套适应超长、陈旧及低精度 rollout 的 RL recipe，以及针对模型优化的 coding harness。rollout 指 Agent 从开始到结束走完一次任务的完整行动轨迹；轨迹越长，训练过程越容易积累偏差。coding harness 则是模型实际使用的一整套工具和工作方式。
工具也会改变成绩
据 Agent Economics 披露，团队仿照 Claude Code 制作了包含 Bash、Read、Write、Edit 等工具的外壳，并让训练和考试使用完全一致的配置。尚未进行强化学习时，仅更换这套外壳，同一个 GLM-5.3-Flash 在 Terminal-Bench 4.0 上就从官方记录的 35.8%升至40.2%。这提醒我们：Agent 榜单测到的不只是模型的“脑子”，还包括它能用什么工具，以及工具如何组织。
项目方称，FireFlash 最终在 Terminal-Bench 4.0 上达到46.2%，表现与 Fable 5、GPT-6 Sol 相当；每项任务的成本则比 maximum effort 配置下的 Fable 5 低30倍以上。团队还称，这套方法的效果能够迁移到 DeepSWE v1.1 和 SWE-Bench Pro Verified，但帖文没有披露具体成绩。
真正的看点是性能与成本能否同立
项目方称，团队使用64张 NVIDIA B300 GPU，在不到5天内到达 performance-cost Pareto frontier。Pareto frontier——帕累托前沿——指性能和成本之间已经很难只改善一边而不牺牲另一边。例如，若想继续提高成功率，就必须增加单项任务开销。
这也是 FireFlash 最值得关注的地方。它押注的不是单纯扩大训练规模，而是先清理训练环境，再适配长轨迹训练，并让模型与工具外壳协同工作。如果这些结果能够被复现，它可能说明长流程 Agent 的进步不只取决于堆更多 GPU，训练信号和执行环境同样关键。
局限与未知
- 46.2%、30倍成本差、64张 GPU 和不到5天均为项目方单方披露，尚缺独立验证。
- “与 Fable 5、GPT-6 Sol 相当”没有给出对方分数、评测配置、统计误差及可比性说明；成本优势也仅针对 Fable 5 的 maximum effort 配置，不能泛化为普遍优势。
- 团队表示将公开完整训练 recipe，但 open weights 目前只是“Soon”，不能视为已经开放。