终端智能体正在从「帮你在本机敲几条命令」走向「独立完成专业工作」,但训练数据成了新的瓶颈:现有合成环境产出的轨迹大多是一次性的短操作——复制文件、装依赖、跑个测试——智能体没机会练习真正值钱的东西:探索取证、根据反馈修改策略、把中间结果攒成最终交付物。阿里高德(AMAP)团队与中国科学技术大学的新工作 TerminalHorizon 就是冲着这个缺口去的。
合成数据的盲点:环境把活儿提前干完了
论文指出的问题很尖锐:环境合成常常在构建阶段就把智能体该做的关键工作预先完成或简化掉,探索、实现、验证被「剧透」,轨迹自然教不出完整的问题解决过程。TerminalHorizon 的解法分两步:先用独立执行探测环境构建时漏掉了哪些关键工作,再拿这些证据反向指导环境重建;随后对同一目标渐进扩展任务,不断引入依赖先前成果的新需求,逼着轨迹长出跨阶段的连续性。
产出规模:1535 个可执行环境,覆盖 25 个专业领域、463 个子域(从软件工程、科学计算到农业、公共事务),归纳出探索、诊断、构建、验证、协调五大族共 27 种行为模式。数据的「长」是实打实的:平均交互 52.82 轮(P50 为 40 轮),对照次高的 CLI-Gym 平均只有 15.60 轮。
12 项基准全部上涨
团队用 2852 条轨迹对 Qwen3.5-27B 做监督微调,得到 TerminalHorizon-27B,在 12 项基准上全部提升:Terminal-Bench 1.0 从 46.3 到 55.0,2.0 从 41.6 到 55.8,2.1 从 46.82 到 60.67;涨幅最大的是真实生产环境任务 AutomationBench,partial 指标从 26.4 涨到 49.7(+23.3 个百分点),通过率从 5.5 到 17.2,翻了三倍多。通用推理也在涨(AIME 2025 从 86.7 到 93.3),只是幅度相对温和。
两个附加实验值得注意。其一是数据规模 scaling:1000 条轨迹时 TB 2.1 已到 57.30,2852 条到 60.67,仍有上探空间;其二是配方可迁移:同一套数据微调 35B-A3B 与 122B-A10B 两个更大基座,TB 2.1 分别从 39.70 涨到 52.81、49.06 涨到 64.04。
12 小时自主研究:学会不放弃
最有意思的是 RSI(递归自我改进)案例:每例给 12 小时研究预算,看模型能否在初始方案后继续实验、按反馈改进、把有效改进留在交付物里。以多视角点云融合任务为例,基座 Qwen3.5-27B 在 12.1 分钟后主动停止,最终 F-score 53.62;TerminalHorizon-27B 持续迭代到 2.21 小时才锁定最终代码,F-score 达到 88.12,隐藏奖励从 21.93 涨到 48.96。「不轻易放弃」本身,成了长轨迹数据教出来的能力。
冷水与看点
这条赛道今年已经很拥挤:Qwen 的 Terminal-Universe 把旧轨迹反向重建为 3.73 万个环境,FACET 先建环境再写任务,都聚焦「环境从哪来」;TerminalHorizon 押的是另一个轴——轨迹里工作的完整性。12 项全涨、真实生产任务翻倍级的提升,说明「长」确实是有效信号。冷水也要泼:方法只验证了 SFT 路线,通用推理涨幅有限,数字全部来自团队自报,尚无第三方复现。
对一个由地图业务团队牵头的工作来说,产业意图很明显:高德场景里沉淀着大量真实的专业级长时程任务,这是别家没有的数据腹地。当同行还在卷环境合成技巧时,「谁手里有真实专业工作流」可能才是终端智能体下一阶段的分水岭。论文地址:https://arxiv.org/abs/2610.13166