Generación de Trayectorias Agénticas a Gran Escala desde Entornos Dockerizados
Large-Scale Terminal Agentic Trajectory Generation from Dockerized Environments
February 1, 2026
Autores: Siwei Wu, Yizhi Li, Yuyang Song, Wei Zhang, Yang Wang, Riza Batista-Navarro, Xian Yang, Mingjie Tang, Bryan Dai, Jian Yang, Chenghua Lin
cs.AI
Resumen
El entrenamiento de modelos agentivos para tareas basadas en terminal depende críticamente de trayectorias de terminal de alta calidad que capturen interacciones realistas de largo horizonte en diversos dominios. Sin embargo, la construcción de dichos datos a escala sigue siendo un desafío debido a dos requisitos clave: la \emph{Ejecutabilidad}, ya que cada instancia requiere un entorno Docker adecuado y a menudo distinto; y la \emph{Verificabilidad}, porque los resultados heterogéneos de las tareas impiden una verificación unificada y estandarizada. Para abordar estos desafíos, proponemos TerminalTraj, una canalización escalable que (i) filtra repositorios de alta calidad para construir entornos de ejecución Dockerizados, (ii) genera instancias de tareas alineadas con Docker, y (iii) sintetiza trayectorias de agentes con código de validación ejecutable. Utilizando TerminalTraj, hemos recopilado 32K imágenes de Docker y generado 50,733 trayectorias de terminal verificadas en ocho dominios. Los modelos entrenados con estos datos utilizando la arquitectura Qwen2.5-Coder logran mejoras de rendimiento consistentes en TerminalBench (TB), con ganancias de hasta el 20\% en TB~1.0 y el 10\% en TB~2.0 respecto a sus respectivas arquitecturas base. Cabe destacar que TerminalTraj-32B alcanza un rendimiento sólido entre los modelos con menos de 100B de parámetros, llegando al 35.30\% en TB~1.0 y al 22.00\% en TB~2.0, y demuestra un mejor comportamiento de escalado en tiempo de prueba. Todo el código y los datos están disponibles en https://github.com/Wusiwei0410/TerminalTraj.
English
Training agentic models for terminal-based tasks critically depends on high-quality terminal trajectories that capture realistic long-horizon interactions across diverse domains. However, constructing such data at scale remains challenging due to two key requirements: \emph{Executability}, since each instance requires a suitable and often distinct Docker environment; and \emph{Verifiability}, because heterogeneous task outputs preclude unified, standardized verification. To address these challenges, we propose TerminalTraj, a scalable pipeline that (i) filters high-quality repositories to construct Dockerized execution environments, (ii) generates Docker-aligned task instances, and (iii) synthesizes agent trajectories with executable validation code. Using TerminalTraj, we curate 32K Docker images and generate 50,733 verified terminal trajectories across eight domains. Models trained on this data with the Qwen2.5-Coder backbone achieve consistent performance improvements on TerminalBench (TB), with gains of up to 20\% on TB~1.0 and 10\% on TB~2.0 over their respective backbones. Notably, TerminalTraj-32B achieves strong performance among models with fewer than 100B parameters, reaching 35.30\% on TB~1.0 and 22.00\% on TB~2.0, and demonstrates improved test-time scaling behavior. All code and data are available at https://github.com/Wusiwei0410/TerminalTraj.