TerminalHorizon：为长程终端智能体构建更真实的任务数据

导语

终端智能体的能力边界，正在从“会执行命令”转向“能完成一项持续数小时的专业工作”。在真实任务中，智能体通常需要先探索环境、收集证据，再据此做出判断；执行过程中还要根据反馈调整方案，最后把阶段性结果整理成可交付成果。相比之下，许多训练数据只包含较短的命令序列或工具调用，难以呈现这些行为之间的连续关系。

阿里巴巴团队在论文中提出 TerminalHorizon，试图解决长程终端智能体数据难以规模化构建的问题。论文介绍的系统面向真实专业工作进行自动化任务合成，并以“是否保留了真正需要智能体完成的工作”为重要检查标准。

核心要点

• 先发现被省略的工作。 环境合成过程中，部分关键步骤可能已经被提前完成，或者被过度简化，导致智能体无需探索、实现和验证。TerminalHorizon 让独立执行过程先完成相关工作，用执行过程中产生的证据定位这些缺失环节，再据此重建环境。
• 围绕同一目标逐步扩展任务。 系统不会只生成彼此孤立的短任务，而是保留前一阶段的结果，并在后续阶段加入新要求。新要求需要智能体继续探索、改进已有方案，并处理不断出现的反馈。
• 强调完整的问题解决链条。 数据不只记录最终答案，还覆盖证据积累、策略选择、反馈响应和成果交付，使训练样本更接近真实工作的过程。
• 形成规模化训练数据。 研究团队构建了 1.5K 个任务环境，并使用这些数据对 Qwen3.5-27B 进行监督微调，得到 TerminalHorizon-27B。
• 覆盖多种评测场景。 作者报告称，该模型在涵盖编程智能体、真实生产环境智能体任务和通用推理的 12 个基准上均取得明显性能提升。论文还给出了多个 RSI 案例研究，每个案例提供 12 小时研究预算，用于观察模型能否在初始方案之外继续试验，并根据反馈改进最终交付物。

意义与影响

TerminalHorizon 的重点并不只是增加轨迹长度，而是提高长轨迹中“有效工作”的密度。如果环境已经替智能体完成了关键实现，单纯拉长上下文并不能训练出真正的自主性。通过独立执行来审查任务构造，再把遗漏工作恢复到环境中，系统试图让探索、实施与验证重新成为必要步骤。

渐进式任务扩展也提供了一种更贴近专业工作的训练方式。现实中的项目往往不是一次性完成：第一版结果会带来新的要求，测试反馈会迫使执行者修改方法，早期产物还可能成为后续工作的输入。让数据保留这种跨阶段依赖，有助于考察智能体是否能够记住有效改进、持续修正策略，并将中间成果转化为更完整的最终交付。

不过，现有素材主要披露了数据构建方法、数据规模和总体评测结论，尚未给出各基准的详细分数、任务分布及与其他训练方案的逐项对比。因此，TerminalHorizon 的价值目前更适合被理解为一种长程智能体数据工程路线：它为训练和评估持续自主工作的模型提供了可扩展框架，但其优势在不同任务类型上的具体幅度仍需结合完整论文和实验细节判断。

来源：Hugging Face Daily Papers