Interlock 是经 Hugging Face Daily Papers 发现的一篇长任务训练论文，v1 发布于 10 月 14 日。它针对的不是某一步不会做，而是局部做对之后漏掉关联义务：例如机票订对了，日程和预算却没更新；几份文件也可能彼此一致，却共同采用了一个没有来源支持的假设。论文把“完成”写成三种依赖关系：证据要支持决策，多个选择要共同满足约束，决策还要落实到所有受影响的产物。
这张关系图用来约束训练任务的生成。三个生成角色依次构造可重置的工作区、公开请求与交付约定、私有验收规则。工作区提供资料、规则和初始文件，公开请求告诉求解 Agent 要交付什么，私有规则用于检查结果；具体资料对应和行动选择仍留给求解者完成。生成后先追踪原始要求是否在工作区、请求和验收中保留下来，再从求解者视角检查：仅凭公开材料能否推出验收所要求的内容，产物是否真的可检查。这样可以分别抓住“生成时漏了要求”和“暗中要求了读者无从知道的答案”。
执行完成后，带终端工具的裁判根据验收规则检查文件与工作区变化，必要时编写并运行验证脚本。只有所有必需条目通过、另设质量门槛也满足的轨迹才被保留。两个 Qwen3.6 骨干分别用自己的合格轨迹做监督微调，论文称为拒绝采样微调（RFT）：先筛选完整成功的执行，再学习这些执行，不是单靠把对话拉长来训练。
培训排程案例把三种关系落到了实处。同一模型面对相同公开输入，一次尝试让日程与发布表彼此相符，却漏掉六名应训人员中的两名；安排的 12:00—14:00 课程又超出 08:00—11:30 放行窗口，还把资格 2 月 12 日到期的讲师排到 16 日。另一次尝试纳入全部六人、使用共同的 09:30—11:30 窗口，并把该讲师排到 11 日。这个案例解释了为何文件之间一致仍不够；它是两次执行的对照，不是训练前后的成效演示。
主实验每个骨干使用 8,957 条自身合格轨迹、约 1.54 亿监督 token，并与原模型及 ClawGym-SFT 比较。Qwen3.6-27B 在 AutomationBench 的任务通过率从 14.33% 到 18.33%，35B-A3B 从 9.00% 到 13.50%。另外，JobBench 的任务加权得分增加 3.20—6.64 分，Harvey LAB 的验收条款通过率增加 3.89—4.16 个百分点；后两者不能换算成完整任务成功率。外部评测题未进入任务合成和训练，这些结果支持所选训练经验能迁移到不同环境。
论文还单独比较了轨迹裁判：固定候选轨迹池、裁判骨干、验收规则及训练预算后，能查文件和运行脚本的裁判比只读工作区文本与差异的裁判，筛出了下游表现更好的训练数据。它支持的是主动核验产物这一环节的价值；完整关系图、任务生成和训练的各自贡献，仍要与这项较窄的对照分开看。