论文解读 · 2026年10月14日

面向长程终端智能体的智能体式数据扩展

Scaling Agentic Data for Long-Horizon Terminal Intelligence

构建了从实际工作问题自动合成长程终端任务环境的引擎，并用约 3 千条轨迹微调 Qwen3.5-27B，在全部 12 个基准上提升了性能。

问题

现有的终端环境合成方法轨迹较短，因此难以提供探索、策略调整、验证跨多个步骤持续进行的长程任务经验。此外，在构建环境的过程中，核心工作可能被预先完成或简化，导致智能体跳过本应进行的探索和实现。

方法

TerminalHorizon 由两个阶段组成。① Challenge-Guided Long-Horizon Synthesis：Planner、Deep Research、Construction 智能体基于实际工作资料构建任务。未参与构建的独立智能体尝试解决这些任务，找出缺失或被预先完成的工作，并重新构建环境。② Progressive Horizon Expansion：在同一目标下添加依赖先前结果的新需求，逐步扩展任务。最终构建了 1,535 个环境，并以 DeepSeek-V4-Pro 作为教师模型收集了 2,852 条轨迹。

结果

轨迹平均长度为 52.8 轮，第 90 百分位为 98 轮，长于在相同教师模型条件下比较的其他合成方法。
TerminalHorizon-27B 比基础模型 Qwen3.5-27B 在 Terminal-Bench 2.0 上高 14.2%，在 2.1 上高 13.85%。
AutomationBench 的 Pass Rate 提升 11.7%，Partial 得分提升 23.3%，VitaBench 提升 11.3%。
在一项 12 小时研究预算的递归自我改进（RSI）案例研究中，作者报告称模型在得出首个解法后仍继续实验，并根据反馈改进方法。

局限

只使用了 SFT，基础模型也只有一个（Qwen3.5-27B）。数据质量依赖特定教师模型（DeepSeek-V4-Pro）。RSI 结果是案例研究而非定量比较。在所提供的正文范围内，难以确认报告的提升幅度是绝对分数差还是相对比例。

意义

表明在长程智能体训练中，比数据量更重要的是任务是否被设计为真正需要探索、实现和验证。仅约 3 千条轨迹就取得了效果，这在数据构建成本方面具有意义。

关键术语

Long-horizon Trajectory: 智能体与环境进行数十轮以上交互、完整执行任务的记录。
Independent Challenger: 未参与任务构建的智能体。它亲自解题，检查预期的工作是否确实必要。
Terminal-Bench: 评估智能体在终端环境中完成实际工作类任务能力的基准。

原文

作者: Shun Zou, Ziyu Ma, Yi Zou, Yong Wang, Lin Chen, Zehui Chen, Guanhua Chen, Xiangxiang Chu, 等 · 发布 2026-10-09 · 许可 CC BY 4.0 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。