Agent Error Dataset：五万条错误—诊断配对用于失败分析与错误感知后训练

该论文发布 Agent Error Dataset（AED），包含来自 9,961 个源任务、33 个环境、19 个 harness 家族和 23 个策略模型的 50,228 条错误—诊断配对，并保留源轨迹与执行元数据。作者提出五阶段 AET pipeline，用于采集自然失败、生成诊断与修正建议并核验。在 3,062 对匹配回放中，首次修正建议将验证器通过率从 18.4% 提升至 51.1%。

过去 agent 失败轨迹多只保留最终奖励，失败样本难以直接复用；该工作把失败决策、替代动作与核验结果整理成可跨环境复用的数据集，并给出诊断与执行恢复两类训练视图，使失败数据从评估产物变为可训练资产。

机制是把一次失败 rollout 拆解为“定位需修改的决策—生成具体替代方案—用记录证据核验—在支持回放时与同 checkpoint 的原始重试对照”，从而把稀疏的最终奖励转化为带因果对照的过程级监督信号，再分别训练诊断能力和 actor 恢复能力。

对 agent 产品与研发而言，可把线上失败日志转为诊断与恢复训练数据，减少对昂贵新 rollout 的依赖；但需保留执行元数据、可回放环境和教师标注。验证器通过率与 exact-step agreement 为主要衡量指标，可用于评估错误感知后训练收益。

• 在 agent 平台引入失败日志采集与错误—诊断配对流水线，保留执行元数据以支持复用与再诊断。
• 基于 AED 式流程构建诊断微调集，在内部 holdout 上报告 exact-step agreement 与验证器通过率。
• 为可回放环境建立同 checkpoint 的原始动作重试对照，量化修正建议的增量收益。
• 把诊断视图与 actor 恢复视图拆分为不同训练任务，分别优化错误定位与动作恢复。

• AED 在非文本、非可回放环境中的适用性和收益尚未说明。
• actor-training 配方单种子比较的完整结果在证据中被截断，效果差异未知。
• full-diagnosis fine-tuning 的增益是否在 8B 以外模型规模上复现尚不明确。
• 数据集与 AET pipeline 是否公开发布、许可与使用限制未在证据中出现。