FACET：ターミナルタスク合成におけるソース意図と実行可能状態の保持

要旨

ターミナルエージェントの訓練にはスケーラブルな実行可能教師信号が必要であるが、高品質なターミナルタスクの合成は依然として困難を伴う。各タスクは、命令文、初期化された環境、参照解、実行可能な検証器を結合したものであり、これらの成果物が一貫性のない前提から生成された場合、結果として得られるタスクは解けないか、誤って評価される可能性がある。一方、多段階合成では、元のソースにエンコードされた目標、依存関係、状態遷移、手続き的制約が破棄され得る。本稿では、情報の保存と成果物間の整合性の両方に対処するフレームワークであるFACET（Fine-grained Agentic Construction of Executable Tasks）を提案する。FACETは、関連するエージェントスキルを首尾一貫した情報豊かなシナリオへと再構成し、最終的なタスク成果物を生成する前に実行環境を具現化して修復する。得られたコンテナ状態は、命令文、解、検証器の共有グラウンディングとして機能し、実行ベースの検証と対象を絞った修復により、有効な構成要素を不必要に再生成することなく成果物固有の失敗を修正する。FACETは、高密度な実行可能チェックを備えた複雑なターミナルタスクを生成し、これらのタスクから収集された成功軌跡は、効果的かつデータ効率的な教師信号を提供する。複数のスケールにわたるモデルのファインチューニングは、Terminal-Bench 2.1における性能を一貫して向上させ、代替生成方式の分析は、タスクの妥当性と解と検証器の整合性に対する環境グラウンディング構築の重要性を支持する。これらの結果は、ソースの意図の保存と共有実行状態グラウンディングが、スケーラブルなターミナルタスク合成の主要原則であることを確立する。

English

Training terminal agents requires scalable executable supervision, yet synthesizing high-quality terminal tasks remains challenging. Each task couples an instruction, an initialized environment, a reference solution, and an executable verifier; if these artifacts are generated from inconsistent assumptions, the resulting task may be unsolvable or incorrectly evaluated. Meanwhile, multi-stage synthesis can discard the goals, dependencies, state transitions, and procedural constraints encoded in the original sources. We present FACET (Fine-grained Agentic Construction of Executable Tasks), a framework that addresses both information preservation and cross-artifact consistency. FACET reconstructs related agent skills into coherent, information-rich scenarios, then realizes and repairs the execution environment before generating the final task artifacts. The resulting container state serves as shared grounding for the instruction, solution, and verifier, while execution-based validation and targeted repair correct artifact-specific failures without unnecessarily regenerating valid components. FACET produces complex terminal tasks with dense executable checks, and successful trajectories collected from these tasks provide effective, data-efficient supervision. Fine-tuning models across multiple scales consistently improves performance on Terminal-Bench 2.1, while analyses of alternative generation schemes support the importance of environment-grounded construction for task validity and solution-verifier alignment. These results establish source-intent preservation and shared executable-state grounding as key principles for scalable terminal-task synthesis.