这项Meta研究直击当前LLM Agent落地核心痛点：在模拟环境训练后，面对真实世界未知场景时性能断崖式下跌。它通过因果实验识别出可量化、可调控的两大环境变量，并给出低成本改进路径，为Agent鲁棒性设计提供了首个系统性操作框架。
智能速览
跨域泛化能力主要取决于状态信息丰富度与规划复杂度，而非环境真实性
抽象游戏Sokoban因高信息密度和高规划需求，泛化表现反超更‘真实’的ALFWorld
向状态注入少量无关干扰信息即可提升OOD性能最高达40%，实现成本极低
中期监督微调（Mid-training SFT）对已覆盖域有益，但会显著损害未覆盖域能力
禁用显式逐步推理导致OOD性能下降超200%，证明其是防止策略过拟合的必要机制
精华内容
传统认知中，让Agent在更逼真的环境中训练理应提升泛化能力。Meta这项研究却用实证推翻了这一直觉，转而锁定两个可测量、可干预的底层变量——它们不依赖渲染精度或文本相似度，而是关乎智能体必须处理的信息量与推理深度。
泛化不靠真实
研究通过跨任务对比发现，环境‘真实性’与泛化能力弱相关。ALFWorld虽模拟具身交互细节，但其状态空间稀疏、单步动作反馈明确，规划复杂度低；而Sokoban虽为抽象网格，但每步需预判多步后果、观测包含大量隐含约束，状态信息丰富度与规划复杂度均显著更高。在跨域评测中，Sokoban训练出的Agent在未见过的WebShop、ToolBench等任务上平均准确率高出17.3个百分点。
信息密度可调控
研究提出‘状态信息增强’方案：在原始观测中随机注入少量与当前目标无关的静态干扰项（如冗余坐标标签、无意义符号序列），不改变任务逻辑，仅提升单位状态的信息熵。在5个OOD基准测试中，该方法使平均泛化准确率提升28.6%～40.1%，且无需重训模型或修改奖励函数，仅需在RL数据预处理阶段增加一行代码级操作。
中期SFT的取舍
当在RL训练中期插入监督微调（Mid-training SFT）时，模型在SFT覆盖域内的任务稳定性提升32.5%，但对未覆盖域的零样本迁移能力平均下降24.8%。实验表明，SFT带来的知识固化效应会压缩策略空间，使Agent更难适应分布外模式。若部署场景不可预知，SFT数据集必须覆盖足够广的语义与结构变体，否则得不偿失。
推理不可省略
强制关闭模型的显式逐步推理模块（如移除思维链提示、截断内部推理token生成）后，Agent在OOD任务上的成功率从61.4%骤降至19.2%，降幅达200%以上。值得注意的是，该操作对ID（分布内）任务影响不足3%，说明逐步推理并非为提升当前任务表现，而是构建抗干扰策略表征的底层机制——它迫使模型建立因果链而非记忆启发式规则。
这项工作将模糊的‘泛化能力’拆解为可观测、可干预的工程变量，标志着Agent训练正从经验驱动转向原理驱动。未来训练框架是否需要默认集成状态信息扰动？逐步推理是否应作为RL策略网络的强制结构？这些问题已不再停留于讨论层面，而是具备了立即验证与落地的技术基础。
