预印本：MetaExp实现大模型跨任务经验复用，自动化基准最高提升14.8分

语言模型智能体能否将过往交互转化为可复用经验，是决定其部署后能否持续进化的关键瓶颈。MetaExp提出一种可扩展框架，通过构建具有受控跨任务结构的“可验证任务族”，将经验学习本身训练为模型的通用能力。该设计包含两种互补机制：Shared-Tool固定黑盒工具以激发操作性经验，Shared-Workflow保留潜在流程以激发程序性经验。

研究团队在1,000个任务族中收集并过滤了4,956条顺序交互轨迹，对Qwen3.5-122B-A10B进行微调。结果显示，在下游演化过程中完全冻结模型参数的情况下，MetaExp在SpreadsheetBench上提升8.5分，在APEX-Agents上峰值提升2.3分，在AutomationBench上提升14.8分。即便在排除特定领域数据的训练设置下，这些增益依然保持，支持了经验学习作为非参数化持续改进能力的有效性。

该结果目前为作者自测基准（E2级），尚未见独立第三方复现。论文未披露具体硬件配置与基线绝对分数，因此+14.8分的实际工程意义需结合原始任务难度评估。此外，该方法依赖预先构建的“可验证任务族”，其在开放世界无监督场景中的泛化边界仍待验证。