强化学习训练智能体需要一个 gym，包含任务、可执行环境以及能够可靠判别成功与否的验证器。传统构建方式人工成本高、静态且难以扩展，随着模型能力提升，任务集合容易饱和并受到污染。合成方法虽能提供规模，但一次性生成的任务难度往往表面化，模型即使能力相当也能凭借语言技巧完成，且正确性只能事后依赖不可靠的 LLM 判官。\ \ AutoGym 提出从最小的领域种子或已有轨迹出发，自动生成完整的 gym（任务、环境、验证器）。其核心机制包括：\
- 蓝图优先生成：在实际环境实现前先定义可行解空间、环境需求和验证标准，使可解性成为构造前提，而非事后检验。\
- 显式生成参数：通过控制任务拓扑、交互深度、能力维度、问题混淆和干扰项组合，实现对难度的细粒度调节。\
- 主动课程合成：依据模型表现实时校准参数分布，随能力提升动态调整任务难度。\ \ 在生产力和时间推理两大场景实验中，AutoGym 能生成覆盖全能力谱的 gym，甚至出现能够挑战前沿模型的实例。\ \ 点评