一句话总结

来自中国科学技术大学、AMAP、阿里巴巴集团和南方科技大学的研究者提出了 TerminalHorizon，一个面向 long-horizon terminal agents 的全自动数据合成引擎。该引擎通过独立执行识别被省略的关键工作，利用由此产生的证据指导环境重建，并在同一目标下逐步扩展任务；在得到的 1.5K 个任务环境上对 Qwen3.5-27B 进行微调后得到 TerminalHorizon-27B。该模型在全部 12 个基准上取得显著性能提升，覆盖 coding-agent 任务、真实生产环境 agentic 任务和通用推理，并在多个 12 小时 RSI 案例研究中展现出迭代改进。

核心贡献

• 本文提出一种关于高质量 long-horizon terminal-agent 数据的视角，该视角以 agentic 行为模式及其跨阶段关联为中心，强调环境必须保留实质性探索、实现和验证工作。
• 全自动数据合成引擎 TerminalHorizon 将挑战引导的环境重建与渐进式任务扩展相结合，构建出 TerminalHorizon-3K。该数据集包含 1,535 个任务环境和 2,852 条训练轨迹。
• 在这些轨迹上对 Qwen3.5-27B 进行监督微调后得到 TerminalHorizon-27B。该模型在覆盖编码、真实生产力任务和通用推理的全部 12 个基准上均取得提升；多个 12 小时 RSI 案例研究显示，其能够持续实验、根据反馈改进方法，并在最终交付物中保留改进。

引言

LLM agents 正在从短对话交互走向 terminal 环境中的自主 long-horizon 工作，这些环境结合了代码、数据、工具和执行反馈。高质量 terminal 训练数据仍然稀缺，现有环境合成方法往往产生相对较短的轨迹，限制了对持续问题解决行为的覆盖，例如迭代规划、依赖执行和验证失败后的修正。作者进一步识别出两个挑战：复杂任务可能意外简化或跳过 agent 本应执行的工作；增加难度并不一定能在不同阶段之间可靠地扩展有用的 agentic 行为模式。为解决这一问题，作者提出了 TerminalHorizon，这是一个全自动合成引擎，具有挑战引导的 long-horizon 构建和渐进式 horizon 扩展。该引擎创建的任务环境中，探索、实现和验证在长轨迹中保持关联。作者构建了 TerminalHorizon-3K，其中包含 1,535 个任务环境和 2,852 条训练轨迹，平均交互轮数为 52.8 轮。研究表明，基于这些数据进行监督微调可以提升编码、真实生产力和通用推理基准上的性能。

数据集

数据集组成与来源

• 作者通过 TerminalHorizon 自动流水线构建 TerminalHorizon-3K。该流水线从研究简报中合成 terminal 任务包。
• Planner Agent 选择研究方向，Deep Research Agent 调查文档、代码仓库、issue 报告和专业材料，以创建任务种子。
• 每个任务包包含公开指令、环境、受控初始状态、参考解、验证器和执行配置。即使使用私有测试，评分要求也必须由公开或可发现的证据支持。
• 数据覆盖 25 个专业领域，包括芯片、物理学和天文学，并统一为 terminal 交互格式。

生成、扩展与过滤

• 作者生成 1,535 个任务环境包，并使用 DeepSeek-V4-Pro-0813 作为教师模型、Terminus2 作为执行框架，为每个任务收集两条轨迹。
• Independent Challenger 执行候选任务。随后根据运行时缺陷、信息泄漏、评分不一致以及预期工作是否得到保留对任务进行细化。
• 已接受任务可以通过渐进式 horizon 扩展进行扩展，包括更广泛的角色、更深的机制、更丰富的证据和方法升级。交互依赖将后续工作与此前证据、产物、状态或实例特定变化联系起来。
• 收集完成后，作者应用附录 F 中的三个过滤标准，保留 2,852 条轨迹以构成 TerminalHorizon-3K。训练前进行了基准去污染。

规模与统计

• 最终数据集覆盖 25 个专业领域。
• 轨迹的平均交互长度为 52.8 轮，90 分位数为 98 轮，连续动作链中位数为 25 轮。
• 作者识别出 27 种行为模式，分为五类：信息探索与判断、诊断与纠错、构建与工作推进、验证与保障，以及策略与执行协调。轨迹平均包含 8.6 种核心模式。

本文对数据的使用方式

• 作者将 TerminalHorizon-3K 用作模型的训练经验。
• 该数据不仅用于教授 terminal 命令执行，还用于教授如何组织持续的目标导向工作、观察反馈、修正策略并交付最终结果。
• 所选文本未指定 TerminalHorizon-3K 的训练/验证划分或混合比例。

方法

TerminalHorizon 从真实世界专业问题构建可执行环境，以激发 agentic 行为模式。该方法包含两个耦合阶段。第一阶段执行挑战引导的 long-horizon 合成，其中独立执行揭示构建过程已经简化、删除或已完成的工作，相关证据随后指导重建。第二阶段执行渐进式 horizon 扩展，在同一目标下扩展已接受任务，使新增工作依赖于先前结果和反馈。

如下方框架图所示：

任务形式化与设计目标

每个可执行 terminal 任务包定义为

$$T=(I,E,S,V,M),\qquad \mathcal P(T)=(I,E).$$T=(I,E,S,V,M),P(T)=(I,E).

公开指令 $I$I 指定目标和约束，可执行环境 $E$E 提供初始状态、工具和执行机制。参考解 $S$S、私有验证器 $V$V 和执行配置 $M$M 支持任务构建和评估。在执行过程中，agent 仅接收公开任务包 $\mathcal P(T)$P(T)，并通过与环境交互收集信息。

作者旨在保留连接探索、诊断、构建、验证和策略协调的工作。这些过程通过五类共 27 种 agentic 行为模式描述。因此，环境设计应保留可探索的证据，将分析和实现工作留给 agent 完成，并提供有助于 agent 修正先前判断的反馈。

挑战引导的 Long-Horizon 合成

合成阶段使用内循环和外循环。内循环通过独立执行指导任务重建。外循环利用已接受任务和评审证据规划后续研究批次。

自主批次规划

每个批次首先识别能够扩大 agentic 行为模式覆盖范围的专业工作。对于批次 $b$b，令 $\mathcal D_b$Db​ 为已接受任务集，$\mathcal F_b$Fb​ 为累积记录，$n_b$nb​ 为可用研究槽数量。Planner Agent 生成研究简报：

$$\mathcal Q_b=\mathrm{Plan}(\mathcal D_b,\mathcal F_b;n_b),\qquad \mathcal Q_b=\{q_{b,i}\}_{i=1}^{n_b}.$$Qb​=Plan(Db​,Fb​;nb​),Qb​={qb,i​}i=1nb​​.

每个简报 $q_{b,i}$qb,i​ 指定工作范围、现有任务尚未覆盖的需求，以及需要研究的真实世界来源。

基于证据的深度研究

根据研究简报，Deep Research Agent 调查文档、代码仓库、issue 报告和专业材料，目标是确立真实世界需求、技术约束和评估完成情况所需的证据。研究确定了 agent 必须发现什么、哪些问题需要进一步分析或实现，以及一个结果如何支持后续工作。研究发现形成任务种子 $z_{b,i}$zb,i​，其中包含公开指令草稿和支持证据。

联合环境构建

Construction Agent 从任务种子合成具体实例，其具有受控初始状态和验证条件。该 Agent 指定可用材料和工具、留给 agent 的工作以及完成标准。随后 Construction Agent 联合构建指令、环境、参考解、验证器和执行配置，生成候选任务包 $T$T。

评估必须遵循公开任务要求：

$$\mathcal C_{\mathrm{sem}}(V)\subseteq \mathrm{Sem}(I,\mathcal O_{\mathrm{pub}}(E)).$$Csem​(V)⊆Sem(I,Opub​(E)).

此处左侧表示验证器检查的完成要求，右侧表示公开指令和环境可发现证据支持的要求。测试数据可以保持私有，但评分不能引入 agent 无法发现的要求。参考解提供一种可行方法，验证器接受满足公开要求的其他实现。

独立挑战

可执行任务包本身并不能证明预期工作在任务求解过程中仍然必要。因此，Independent Challenger 在未参与构建的情况下尝试候选任务 $T_r$Tr​。其策略 $\pi_B$πB​ 仅访问公开任务包 $\mathcal P(T_r)$P(Tr​)，没有研究记录、参考解或私有测试。

在每一步，策略根据公开指令和历史 $h_t=(o_0,a_0,\ldots,o_t)$ht​=(o0​,a0​,…,ot​) 选择动作：

$$a_t\sim \pi_B(\cdot\mid I,h_t),\qquad (s_{t+1},o_{t+1})\sim P_E(\cdot\mid s_t,a_t).$$at​∼πB​(⋅∣I,ht​),(st+1​,ot+1​)∼PE​(⋅∣st​,at​).

生成的轨迹

$$\tau_r\sim \mathrm{Rollout}(\pi_B;\mathcal P(T_r))$$τr​∼Rollout(πB​;P(Tr​))

记录完整交互历史。验证器评估最终状态和产物，以计算 $\rho_r=V_r(s_{H_r})$ρr​=Vr​(sHr​​)。随后进行综合评审并给出诊断：

$$d_r=\mathcal A_{\mathrm{syn}}(T_r,\tau_r,\rho_r).$$dr​=Asyn​(Tr​,τr​,ρr​).

诊断记录运行时缺陷、信息泄漏、评分不一致以及预期工作是否实际得到保留。

Horizon Gap 分析与重建

Horizon Gap Analysis 将任务种子中指定的工作与 challenger 轨迹进行比较。它追溯被省略的工作到初始材料、对象关系或工具行为。例如，如果环境已经提供了任务要求 agent 实现的核心函数，剩余工作可能退化为修改一个常量。重建恢复了实现和调试该函数的必要性，同时保留完成工作所需的公开规范。

Construction Agent 使用种子 $z=z_{b,i}$z=zb,i​、轨迹和诊断修订任务：

$$T_{r+1}=\mathrm{Refine}(T_r;z,\tau_r,d_r).$$Tr+1​=Refine(Tr​;z,τr​,dr​).

这一细化在保留目标的同时修订初始状态、对象关系、实现要求或工具反馈。指令、参考解和验证器随之更新。修订后的任务返回独立执行，以检查恢复的要求是否进入实际求解过程。

通过评审和运行时检查的任务构成已接受集 $\mathcal A_b$Ab​。研究、执行、评审和重建记录提供新反馈 $\Delta\mathcal F_b$ΔFb​：

$$\mathcal D_{b+1}=\mathcal D_b\cup \mathcal A_b,\qquad \mathcal F_{b+1}=\mathcal F_b\cup \Delta\mathcal F_b.$$Db+1​=Db​∪Ab​,Fb+1​=Fb​∪ΔFb​.

Planner 在下一批次中使用更新后的集合和记录，以识别重复工作并决定下一步针对哪些行为模式。

渐进式 Horizon 扩展

可求解任务并不是环境构建的终点。作者在同一目标下为已接受任务增加新要求，将新增工作与此前判断、动作和结果联系起来。

渐进式内容扩展

Evolution Agent 检查已接受的父任务 $T^{(g)}$T(g) 并形成扩展提案 $\delta^{(g)}$δ(g)。它检查父解是否可以直接满足新要求，从而识别需要进一步分析、实现或验证的内容。内容扩展沿四个方向进行：更广泛的角色、更深的机制、更丰富的证据和方法升级。更广泛的角色利用现有产物或状态支持相关职责。更深的机制将先前被简化的关系、依赖或不确定性纳入工作。更丰富的证据增加记录、观察和专业材料。方法升级要求对原始方法进行大幅扩展或重新设计。

实现交互依赖

Evolution Agent 从三种交互设计中选择，以将新增要求与此前证据、产物和状态连接起来。为支持探索和判断，后续决策依赖于通过公开查询、探测和观察收集的证据。在动作和反馈方面，可观察的工具或系统效果将先前操作与后续诊断、纠正和验证联系起来。在实例变化和适应方面，对象或状态在固定公开规范下跨运行发生变化，要求 agent 检查当前实例、调整动作并验证结果。

这些设计旨在服务扩展，而不是强加固定序列。扩展产生新候选：

$$\widetilde T^{(g+1)}=\mathrm{Expand}\left(T^{(g)};\delta^{(g)}\right).$$T(g+1)=Expand(T(g);δ(g)).

候选公开规范结合原始要求和新增要求。环境、参考解和验证器随之更新，新增评分条件继续遵循公开完成契约。被接受的候选将成为下一次扩展的父任务。

实验

该研究在 12 个基准上评估 TerminalHorizon-27B。该模型是在 long-horizon terminal 轨迹上训练的 SFT 模型。评估覆盖 terminal 任务求解、真实生产力任务和通用推理，并对教师行为、模型规模、数据扩展和一个 long-horizon 自主研究案例进行额外分析。该模型在所有基准上均优于其基础模型，将收益迁移到 agentic 生产力任务，并在使用远少于先前轨迹训练模型的轨迹的同时保持通用推理能力。消融实验表明，更长的教师反馈链可提升任务完成率，收益在不同模型规模上具有泛化性，数据扩展尚未进入平台期。在 12 小时自主研究任务中，模型继续诊断和修正方法而不是提前停止，从而获得显著更高的最终评估分数。

TerminalHorizon-27B 在全部 12 个基准上优于其 Qwen3.5-27B 基础模型，这些基准涵盖 terminal 任务、真实世界 agentic 任务和通用推理。在 Terminal-Bench 各版本上收益尤其明显，两个版本有两位数的百分点提升；该模型还在训练轨迹数量远少于可比模型的情况下超越了后者。收益迁移到真实生产力任务，通用推理保持稳定。TerminalHorizon-27B 在 Terminal-Bench 1.0、2.0 和 2.1 上均优于其基础模型，在后续基准上提升更大。它比可比的 Terminal-Universe 模型高出 3.0 个百分点，而使用的训练轨迹不到其十分之一。真实世界 agentic 基准也有所提升，包括 AutomationBench 通过分数和部分分数、VitaBench，以及 tau2-bench 航空和零售任务。通用推理保持或提升，MATH-500 和 AIME 结果达到较高分数。

TerminalHorizon-27B 在编码、agentic 和通用推理基准上始终优于其 Qwen3.5-27B 基础模型。其收益在编码和真实世界自动化任务中尤其明显，同时通用推理得到保持并进一步提升。该模型还表现出数据效率，超过了以远多轨迹训练的先前模型。TerminalHorizon-27B 在所有评估基准上均优于基础模型，在 Terminal-Bench 2.1 上获得两位数的编码收益。Agentic 迁移广泛：AutomationBench 通过率和部分分数显著提高，航空和零售任务分数也有所提高。通用推理保持强劲，MATH-500 以及 AIME 2024 和 2025 的分数接近饱和。

在采样任务集上，两个教师模型都生成长轨迹，表明其具有 long-horizon 问题求解经验。DeepSeek-V4-Pro 比 GLM-5.2 维持更长的交互，并且精确动作重复率更低；其更持久的交互与更高的任务完成率相关。DeepSeek-V4-Pro 产生更长的反馈链，并且比 GLM-5.2 更少重复精确动作。更持久的交互模式与更高的任务完成率相关，这支持选择 DeepSeek-V4-Pro 作为 long-horizon 轨迹收集的教师模型。

评估将 TerminalHorizon-27B 与其 Qwen3.5-27B 基础模型以及先前的 terminal 中心模型在 Terminal-Bench 各版本、AutomationBench、VitaBench、tau2-bench 等真实世界 agentic 基准和通用推理任务上进行了比较。结果表明，在所有基准上均有一致收益，其中 long-horizon terminal 和自动化任务提升最大，同时推理能力保持强劲。该模型还在训练轨迹数量远少于可比模型的情况下超越后者，从而证明了数据效率。单独的轨迹分析验证了选择 DeepSeek-V4-Pro 作为教师模型的合理性，因为它比 GLM-5.2 维持更长的交互、更少重复精确动作，并获得更高任务完成率。