Авторы представили TerminalHorizon, движок данных для терминальных ИИ-агентов
Статья посвящена терминальным агентам, ИИ-системам, которые работают в командной строке и всё чаще берутся за реальные профессиональные задачи, а не только за локальные операции. Авторы отмечают, что короткие траектории показывают лишь команды и вызовы инструментов, но не показывают, как агент накапливает свидетельства в ходе исследования, опирается на них при суждениях, постоянно корректирует стратегию по обратной связи и превращает промежуточные результаты в итоговый продукт. Такие паттерны поведения лучше всего видны в длинных траекториях.
Проблема, на которую указывают авторы: при синтезе среды ключевая работа, стоящая за этими паттернами, может быть заранее выполнена или упрощена. Тогда агенту уже не нужно ни исследовать, ни реализовывать, ни проверять, а именно этому он и должен учиться.
Для решения они предлагают TerminalHorizon, полностью автоматический движок синтеза данных для долгих задач терминальных агентов. Он исходит из реальной профессиональной работы, с помощью независимого выполнения выявляет ключевую работу, пропущенную при построении среды, и использует полученные свидетельства, чтобы перестроить среду. Чтобы распространить эти паттерны на несколько этапов, движок постепенно расширяет задачи в рамках одной цели: вводит новые требования, которые опираются на прежние результаты и требуют дальнейшего исследования и доработки.
С помощью движка авторы построили 1,5 тыс. сред задач и провели контролируемое дообучение (SFT) модели Qwen3.5-27B на получившемся наборе данных; результат назван TerminalHorizon-27B. Авторы сообщают о существенном приросте качества на всех 12 бенчмарках, охватывающих задачи кодинг-агентов, агентные задачи в реальных производственных условиях и общие рассуждения.
Кроме того, несколько кейсов RSI, каждый с 12-часовым бюджетом на исследование, по словам авторов, демонстрируют способность модели продолжать эксперименты после первого решения, улучшать методы по обратной связи и сохранять эффективные улучшения в итоговых результатах.
Ключевые факты
- TerminalHorizon, полностью автоматический движок синтеза данных для долгих задач терминальных агентов.
- Идея: выявлять работу, которую синтез среды невольно выполнил за агента, и перестраивать среду так, чтобы агенту пришлось исследовать, реализовывать и проверять самому.
- Задачи постепенно расширяются в рамках одной цели: новые требования опираются на прежние результаты.
- На 1,5 тыс. созданных сред выполнено SFT-дообучение Qwen3.5-27B, получена модель TerminalHorizon-27B.
- Авторы сообщают о существенном приросте на всех 12 бенчмарках (кодинг-агенты, агентные задачи в производственных условиях, общие рассуждения); конкретные цифры в аннотации не приведены.
Почему это важно
Качество терминальных агентов упирается в данные для обучения: если синтетическая среда заранее решает за агента самую трудную часть, он учится на упрощённых траекториях. Работа предлагает способ автоматически находить такие «выполненные заранее» куски и пересобирать среду, а также наращивать сложность задач в рамках одной цели. Если заявленный эффект подтвердится независимой проверкой, это шаг к обучению агентов на по-настоящему долгих задачах.
Кому это важно
Исследователям и командам, которые обучают или дообучают агентов для работы в терминале и строят для этого синтетические среды и наборы траекторий. Также интересно тем, кто следит за открытыми моделями на базе Qwen3.5-27B и оценкой агентов на длинных горизонтах.
Как это применить
Из аннотации видно общую схему: взять реальную профессиональную работу, независимо выполнить её, чтобы найти пропущенную ключевую работу, перестроить среду по найденным свидетельствам и затем поэтапно усложнять задачу новыми требованиями. На таком наборе (1,5 тыс. сред) делается обычное контролируемое дообучение. Для практического воспроизведения нужны детали из полного текста статьи.
Можно ли доверять
Все утверждения о результатах исходят от самих авторов и взяты из аннотации. В ней не названы бенчмарки, нет числовых оценок и сравнения с исходной Qwen3.5-27B или другими моделями: «существенный прирост» не количественный. Не упомянут и выпуск кода, данных или весов модели. Это препринт, независимой проверки в тексте нет.
Риски и подводные камни
Без цифр нельзя оценить масштаб улучшений и сравнить их с обычным дообучением на других данных. Результаты по RSI-кейсам описаны качественно: не раскрыты ни число кейсов, ни метрики. Неясно также, насколько подход переносится за пределы модели Qwen3.5-27B и набора из 1,5 тыс. сред.