長期ホライズンのターミナル知能に向けたエージェント的データのスケーリング

要旨

ターミナルエージェントは、ローカル操作を超えて、実世界の専門的タスクを完了する方向へ進んでいる。短い軌跡はコマンドやツール呼び出しを示すことはできるが、エージェントが探索を通じて証拠を蓄積し、それを判断に活かし、フィードバックに基づいて戦略を継続的に調整し、中間結果を最終成果物へと変えていく様子を十分に示すものではない。高品質な長期的軌跡は、こうしたエージェント的行動パターンと、単一の問題解決プロセス内におけるそれらの関連性を捉え、持続的な自律作業のためのより豊富な経験を提供する。しかし、環境合成は、これらのパターンの根底にある重要作業を事前に完了または簡略化し、その結果、エージェントが本来行うはずだった探索、実装、検証の必要性を取り除いてしまう可能性がある。これに対処するため、我々はTerminalHorizonを導入する。これは長期的なターミナルエージェント向けの完全自動データ合成エンジンである。実世界の専門業務から出発し、独立実行を用いて構築中に省略された重要作業を特定し、得られた証拠を環境再構築の指針とする。これらのパターンを段階をまたいで拡張するために、同一のゴールの下でタスクを漸進的に拡張し、以前の結果に基づき、さらなる探索と改善を要求する新たな要件を導入する。このエンジンを用いて、我々は1.5Kのタスク環境を構築し、得られたデータセット上でQwen3.5-27Bを教師あり微調整してTerminalHorizon-27Bを得る。我々は、コーディングエージェントタスク、実世界の本番環境におけるエージェントタスク、および一般的な推論にまたがる全12ベンチマークにおいて大幅な性能向上を達成する。それぞれ12時間の研究予算を持つ複数のRSIケーススタディは、初期解を超えて実験を続け、フィードバックに基づいて手法を改善し、有効な改善を最終成果物に保持するモデルの能力をさらに実証する。

English

Terminal agents are moving beyond local operations toward completing real-world professional tasks. Short trajectories can demonstrate commands and tool calls, but they do not fully show how agents accumulate evidence through exploration, use it to inform judgments, continually adjust strategies based on feedback, and turn intermediate results into final deliverables. High-quality long-horizon trajectories capture these agentic behavioral patterns and their connections within a single problem-solving process, providing richer experience for sustained autonomous work. However, environment synthesis may complete or simplify the key work underlying these patterns in advance and thus remove the need for exploration, implementation, and verification that the agent was meant to perform. To address this, we introduce TerminalHorizon, a fully automated data synthesis engine for long-horizon terminal agents. Starting from real-world professional work, it uses independent execution to identify key work omitted during construction and uses the resulting evidence to guide environment reconstruction. To extend these patterns across stages, it progressively expands tasks under the same goal, introducing new requirements that build on prior results and call for further exploration and improvement. Using this engine, we construct 1.5K task environments and perform supervised fine-tuning of Qwen3.5-27B on the resulting dataset to obtain TerminalHorizon-27B. We achieve substantial performance gains on all 12 benchmarks spanning coding-agent tasks, agentic tasks in real-world production settings, and general reasoning. Multiple RSI case studies, each with a 12-hour research budget, further demonstrate the model's ability to continue experimenting beyond an initial solution, improve its methods based on feedback, and retain effective improvements in its final deliverables.

長期ホライズンのターミナル知能に向けたエージェント的データのスケーリング

Scaling Agentic Data for Long-Horizon Terminal Intelligence

要旨

Support