终端智能体不再只练短命令：约3千条长轨迹微调，Terminal-Bench 2.1 从46.82升到60.67

终端智能体的训练数据不再以短命令演示为主，而是转向平均52.8轮的长程轨迹，让模型在同一个目标下连续探索、诊断、实现和验证。 此前的终端任务合成方法虽然扩大了任务覆盖，但轨迹平均偏短，只能展示几步之内的行为模式，难以提供持续解题的经验。 在相同教师协议和设置下，从若干开源终端任务合成方法中各随机抽取300个任务做对照，这些轨迹的平均交互长度为52.8轮、第90百分位为98轮，明显长于对照方法。

这些长程轨迹被用来微调一个27B参数的模型，训练后模型在编码、真实生产场景和通用推理三类共12个基准上都优于基座模型。 基座模型Qwen3.5-27B在Terminal-Bench 1.0、2.0、2.1上的成绩分别为46.3、41.6和46.82。 微调后的TerminalHorizon-27B在这三项上达到55.0、55.8和60.67，分别提升8.7、14.2和13.85个百分点；在AutomationBench上通过率提升11.7个百分点、部分分提升23.3个百分点，VitaBench提升11.3个百分点。

长程轨迹的生成靠一个全自动的数据合成引擎，它先用独立执行找出任务构建时被提前完成或简化的关键工作，再据此重建环境。 如果环境在构建阶段就把分析、实现或验证做完了，智能体在解题时就会跳过这些步骤，预期的行为模式无法出现。 引擎让未参与构建的独立挑战者只凭公开指令解题，用其轨迹诊断哪些工作被省略，再修改初始状态、对象关系、实现要求或工具反馈，并同步更新指令、参考解和验证器。

在同一个目标下，任务被逐步扩展出依赖前序结果的新要求，使行为模式能跨阶段延续。 更难的题目或更多的交互轮数并不必然延长这些模式，也不必然加强它们之间的联系。 扩展通过三种交互设计把新增要求接到任务中已出现或产生的证据、产物和状态上，使后续工作依赖先前进展；被接受的候选任务成为下一轮扩展的父任务。

这套引擎面向终端环境中的长程专业任务，覆盖25个专业领域，训练数据为1,535个任务环境和2,852条轨迹。评估在12个基准上进行，另有四个12小时自主研究案例，每个案例对应一次研究运行，以最终提交在隐藏测试集上的表现计分。读者若关心长程数据配方，可关注其任务构建与轨迹筛选流程。

论文报告从1000条扩展到约3千条训练轨迹时Terminal-Bench 2.1升至60.67，并称未观察到性能饱和，但未给出更大规模的结果。四个自主研究案例各为一次研究运行，其隐藏集得分是优化分数而非任务成功率。轨迹筛选与基准去污染流程在附录中描述，本报告未逐条核对其判定细节。