TerminalHorizon 用 1.5K 環境微調 Qwen3.5-27B

研究在做什麼

這篇論文於 10 月 9 日提交到 arXiv，研究對象是終端代理（在命令列環境中下指令、呼叫工具來完成工作的 AI 代理）。作者指出，短的操作軌跡只能示範指令與工具呼叫，看不出代理如何透過探索累積證據、依回饋調整策略，並把中間結果變成最終成品；長程軌跡（同一個解題過程中延續很多步驟的完整操作紀錄）才能呈現這些行為之間的關聯。 arXiv cs.CL

問題在於，用程式自動合成訓練環境時，可能事先把關鍵工作做完或簡化，代理就不必再自己探索、實作與驗證。這篇研究要解決的就是這種環境把該練的部分先做掉的情況。 arXiv cs.CL

方法

作者提出 TerminalHorizon，一個全自動的長程終端代理資料合成引擎。它從真實的專業工作出發，先用獨立執行找出建構環境時被省略的關鍵工作，再依據這些證據重建環境；接著在同一目標下逐步擴充任務，加入建立在先前結果上的新需求，讓代理必須繼續探索與改進。作者用它建了 1.5K 個任務環境，並以這批資料對 Qwen3.5-27B 做監督式微調（用標註好的示範資料進一步訓練既有模型），得到 TerminalHorizon-27B。 arXiv cs.CL

結果

摘要指出，TerminalHorizon-27B 在全部 12 項基準測試上都有明顯提升，範圍涵蓋程式代理任務、真實生產環境中的代理任務與一般推理；摘要沒有列出具體分數。 arXiv cs.CL

作者另做了多個 RSI 案例研究。RSI 一般指 recursive self-improvement（遞迴式自我改進，也就是 AI 自行反覆改良做法的過程）；在這些案例中，模型每次有 12 小時的研究預算。作者表示，模型能在第一個解法之後繼續實驗、依回饋改進方法，並把有效的改進保留在最終成品中。 arXiv cs.CL

限制

摘要中的訓練實驗只用了 Qwen3.5-27B 這一個基礎模型，資料規模為 1.5K 個任務環境，任務類型集中在終端代理情境。 arXiv cs.CL

程式碼與資料

本站 2026-10-16 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：alibaba
• 程式碼：論文頁沒有列出公開的程式碼
• 專案網頁：https://zs1314.github.io/TerminalHorizon
• 公開模型：shunzou05/TerminalHorizon-27B、shunzou05/TerminalHorizon-35B-A3B、shunzou05/TerminalHorizon-122B-A10B
• 公開資料集：shunzou05/TerminalHorizon-Environment、shunzou05/TerminalHorizon-3K
• 線上展示：tardellirs/paper-pulse