TerminalHorizon、長期ターミナルエージェント向けデータを構築

導入

ターミナルエージェントに求められる役割は、単発のコマンド実行から、専門的な仕事を継続的に完了することへ広がっている。実際の作業では、未知の環境を調べ、必要な証拠を集め、その情報をもとに判断し、実装と検証を行う。さらに、途中で得られたフィードバックに応じて方針を修正し、最終的な成果物にまとめなければならない。

しかし、従来の短い学習軌跡は、個別のコマンドやツール呼び出しを示すことはできても、こうした行動が長い問題解決の中でどのようにつながるかを十分に表せない。論文では、この課題に対してAlibabaの研究チームがTerminalHorizonを提案している。

主な仕組み

• 省略された作業を検出する。 環境を合成する際、探索、実装、検証など本来エージェントが行うべき作業が、事前に完了したり簡略化されたりすることがある。TerminalHorizonは独立した実行を行い、こうした抜けを特定する。その実行で得た証拠を使って、環境を再構成する。
• 同じ目標で段階的に拡張する。 互いに独立した短い課題を大量に作るのではなく、同一の目標を維持したまま、後続段階で新しい要求を追加する。前段階の結果が次の入力となるため、エージェントはさらに探索し、既存の方法を改善しなければならない。
• 作業の連続性を残す。 データは最終回答だけでなく、証拠の蓄積、判断、戦略の調整、実装、検証、成果物の提出を一つのプロセスとして扱うことを目指す。
• 一定規模のデータを構築する。 研究チームは1.5Kのタスク環境を作成し、そのデータでQwen3.5-27Bを教師あり微調整してTerminalHorizon-27Bを得た。
• 複数の能力を評価する。 著者らは、コーディングエージェント、実際の生産環境におけるエージェント課題、一般推論を含む12のベンチマークすべてで大きな性能向上を報告している。また、各12時間の研究予算を持つ複数のRSI事例研究では、初期解の後も実験を続け、フィードバックから手法を改善し、最終成果物に反映できるかを調べた。

意義と限界

重要なのは、単に軌跡を長くすることではない。環境側が実装や検証を済ませてしまえば、長い対話であっても自律的な作業能力を十分に学習できるとは限らない。TerminalHorizonは独立実行を使ってこうした近道を探し、エージェントが実際に行うべき作業を環境に戻そうとしている。

段階的なタスク設計も、専門的な仕事の進み方に近い。最初の成果が新たな要件を生み、テスト結果が従来の方法の見直しを求め、中間成果物が次の段階の基盤になるからだ。この依存関係をデータに残せれば、エージェントが有効な改善を保持し、方針を修正し、部分的な結果をより良い成果物へ変換できるかを評価しやすくなる。

一方、提供された素材では、各ベンチマークの詳細なスコアやタスク分布、他のデータ生成手法との比較までは示されていない。したがって現時点では、TerminalHorizonを長期的な自律作業を学習させるためのデータ工学手法として捉えるのが適切だろう。

出典：Hugging Face Daily Papers