Scaling Agentic Data for Long-Horizon Terminal Intelligence
Aggiunta all'archivio di AIChronos il (numero del 13 ottobre 2026 ricostruito)· fonte del · Shun Zou, Ziyu Ma, Yi Zou, Yong Wang, Lin Chen, Zehui Chen (alibaba)
Il paper introduce TerminalHorizon, un motore di sintesi dati automatizzato progettato per generare traiettorie lunghe e complesse per agenti terminali. A differenza dei metodi tradizionali che semplificano i compiti in anticipo, questo approccio utilizza l'esecuzione indipendente per identificare le fasi chiave omesse (esplorazione, implementazione, verifica) e ricostruisce ambienti di prova realistici. Attraverso un fine-tuning supervisionato del modello Qwen3.5-27B su 1.5K task environments costruiti con questo metodo, si ottiene TerminalHorizon-27B. Il nuovo modello mostra guadagni significativi in benchmark che coprono coding-agent tasks, scenari di produzione reali e ragionamento generale.
- TerminalHorizon automatizza la creazione di ambienti sintetici per agenti terminali preservando le fasi critiche di esplorazione e verifica.
- Il processo espande progressivamente i task sotto lo stesso obiettivo finale introducendo nuovi requisiti che costruiscono sui risultati precedenti.
- La costruzione del dataset include 1.5K task environments derivati da lavori professionali reali, evitando la semplificazione prematura dei problemi.
- TerminalHorizon-27B supera gli SOTA su 12 benchmark涵盖 coding-agent tasks e scenari di produzione reale grazie al fine-tuning supervisionato.
- Gli studi di caso RSI dimostrano la capacità del modello di continuare a sperimentare oltre una soluzione iniziale per migliorare i deliverables finali.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, questo lavoro è cruciale perché fornisce un metodo robusto per generare dati ad alta qualità necessari ad allenare modelli capaci di gestire compiti a lungo termine senza cadere in semplificazioni artificiali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.