Крупномасштабная генерация агентных траекторий терминалов из докеризированных сред

Large-Scale Terminal Agentic Trajectory Generation from Dockerized Environments

February 1, 2026

Авторы: 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

Аннотация

Обучение агентных моделей для терминальных задач критически зависит от высококачественных терминальных траекторий, которые охватывают реалистичные долгосрочные взаимодействия в различных областях. Однако создание таких данных в больших масштабах остается сложной задачей из-за двух ключевых требований: *Исполняемость*, поскольку каждый экземпляр требует подходящей и зачастую уникальной Docker-среды; и *Проверяемость*, поскольку разнородные результаты задач исключают унифицированную, стандартизированную проверку. Для решения этих проблем мы предлагаем TerminalTraj, масштабируемый конвейер, который (i) отбирает высококачественные репозитории для создания докеризированных сред выполнения, (ii) генерирует экземпляры задач, согласованные с Docker, и (iii) синтезирует агентные траектории с исполняемым кодом валидации. С помощью TerminalTraj мы отобрали 32 тыс. Docker-образов и сгенерировали 50 733 проверенные терминальные траектории в восьми областях. Модели, обученные на этих данных с использованием базовой архитектуры Qwen2.5-Coder, демонстрируют стабильное улучшение производительности на TerminalBench (TB) с приростом до 20% на TB~1.0 и 10% на TB~2.0 по сравнению с их соответствующими базовыми моделями. Примечательно, что TerminalTraj-32B показывает высокую производительность среди моделей с менее чем 100 млрд параметров, достигая 35,30% на TB~1.0 и 22,00% на TB~2.0, а также демонстрирует улучшенное поведение масштабирования во время тестирования. Весь код и данные доступны по адресу 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.