Kimi、Cursor、Chroma 同时印证：Agentic RL 有了一套共同范式
三家公司独立训练 agent 模型，却收敛到相同的方法论：从强基座出发，在生产环境里做 RL，用结果奖励而非过程奖励。这不是巧合，是工程倒逼出来的答案。
三份报告，三支团队，独立发布，却几乎做了同一件事。
Moonshot AI 的 Kimi K2.5 技术报告、Cursor 的 Composer 2 技术报告、Chroma 的 Context-1 研究文章，Philipp Schmid（Google DeepMind）在 3 月底将这三篇放在一起做了一次深度对比，结论是：它们在 Agentic RL 的方法论上高度收敛。
这种收敛值得认真对待，因为它意味着我们正在看到的不是某一家的偶然发现，而是工程实践倒逼出来的共同答案。
三家的共同选择
Schmid 总结出四条贯穿全部三份报告的方法论：
1. 从强基座出发，不从头训练。Kimi K2.5 在 Kimi K2 基础上做多模态预训练扩展；Cursor Composer 2 直接从 Kimi K2.5（1T 参数 / 32B 激活的 MoE 架构）微调；Chroma Context-1 基于 gpt-oss-20B。没有一家从头开始。这印证了一个越来越明确的行业共识：post-training 的边际收益远超同等算力投入在预训练上的收益。
2. 在生产环境 harness 里做 RL rollout。每家团队都在模型实际部署的那套工具链、Prompt 格式、执行环境里做训练，而不是用独立的训练环境模拟。Cursor 甚至维护了一个 shadow deployment，让训练时的工具行为（比如语义搜索）和生产完全一致。这解决了训练/推理分布不一致的问题，也是为什么 SWE-bench 分数高的模型实际用起来可能不如预期。
3. 结果奖励，不是过程奖励。三家都用可验证的结果信号作为主要 reward，配合 Generative Reward Models (GRM) 处理开放性任务。没有手工标注每一步行为是否正确——这在 long-horizon agent 任务上成本极高，且人类评判者也往往无法准确判断中间步骤。
4. 大规模异步 rollout。Agent 的每一次 rollout 都很贵（要真实执行工具调用、运行代码），所以三家都投入了专门的基础设施来并行生成轨迹。
Kimi 的新东西：学会并行
Kimi K2.5 最特别的地方是 Agent Swarm 和 PARL（Parallel-Agent Reinforcement Learning）。大多数 agentic 系统是顺序的：think → tool call → observe → repeat。Agent Swarm 让模型学会把任务分解给并行的子 agent 执行。
关键设计是 orchestrator（可训练）和 sub-agents（冻结）的分离。这解决了 credit assignment 问题：如果 orchestrator 和 sub-agent 都参与优化，最终答案正确可能是 orchestrator 分解得好，也可能是某个 sub-agent 运气好——难以区分。冻结 sub-agent 后，只有协调逻辑被优化。
奖励设计也有意思：三个分量，performance reward 是主信号，parallelism reward 防止模型退化为单 agent 串行（“serial collapse”），finish reward 防止模型为了刷 parallelism reward 而无意义地开出很多 sub-agent（“spurious parallelism”）。后两项在训练后期逐步 anneal 到零，最终策略只优化任务完成。
“The decision to parallelize is not hard-coded. On simple tasks, the model works sequentially. On complex multi-source research tasks, it spins up many parallel agents.” — Philipp Schmid，How Kimi, Cursor, and Chroma Train Agentic Models with RL
结果：Agent Swarm 在 BrowseComp 上达到 78.4%（单 agent 60.6%），推理延迟降低最多 4.5×。
Cursor 的新东西：实时 RL
Cursor Composer 2 的特别之处是「real-time RL from production traffic」——直接用用户的真实编程任务做 RL 训练，而不是依赖构造的合成数据集。这要求 reward 信号必须能自动化（代码能跑通、测试通过），也解释了为什么他们投入了大量工程在 shadow production harness 上。
另一个亮点是 self-summarization：Composer 2 会主动压缩长编程会话的上下文，让模型能处理多轮复杂工程任务而不超出 context window。
Chroma 的新东西：主动剪枝 context
Context-1 教模型「自我编辑」检索到的文档：主动把低价值的内容从 context 里删掉，给后续检索腾出空间。这是对 RAG 的一个有趣改进——传统 RAG 是贪心地放入 context，Context-1 学会了取舍。
我的判断
这三家的收敛不是偶然的。它在说：在 agentic 任务上，post-training（特别是 RL）是目前能花算力的最高性价比位置；从头做大 pretraining 来强化 agent 能力，相比在强基座上做针对性 RL，可能并不是最优路径。
对于想训练自己 domain-specific agent 的团队，这套范式有很强的参考价值：你需要的不是更大的预训练模型，而是在真实环境里的 RL rollout 基础设施，以及可自动化的 outcome reward。