在大模型智能体领域，如何让模型将在一个领域的训练成果迁移至毫不相关的复杂任务中，是一个悬而未决的难题。过去的方法受困于领域专属的微调，本质原因是将模型的能力增长简单等同于领域知识的积累。
本文的核心洞见是：把任务表现重新看作一套可迁移的底层行为能力。由此，通过在无代码的办公任务中进行长程训练，刻意锻炼其设定子目标、维护状态、验证成果的通用执行逻辑，这一关键操作使问题得以解开。
这项工作真正留下的遗产是一种“行为主义”视角：AI的能力增长可归因于抽象执行能力的提升，而非知识填充。它为后来者打开的新门是通过训练通用的任务解决“流程”来实现跨领域迁移，但尚未跨过的门槛是这种能力与训练任务结构间的因果关系仍是假设。
arxiv.org/abs/2608.01604
