终端 agent 的数据账：别再喂短轨迹了

训练终端 agent 的数据集有个长期没被认真对待的缺陷：轨迹太短。真实专业工作要求 agent 积累证据、从反馈中调整策略、把中间结果加工成交付物，这些行为在几十步的短轨迹里根本练不出来。更隐蔽的是环境合成的副作用：构建环境时无意中把关键工作做完了，agent 拿到手的就是半成品，探索、实现、验证的需求全被移除，训练看似高效实则空洞。10 月 9 日放榜的 TerminalHorizon（arXiv 2610.13166，作者 Shun Zou、Xiangxiang Chu 等，HF 论文榜 134 赞）把这两个问题一起修了。

引擎怎么造数据

TerminalHorizon 是一个全自动数据合成引擎，全程无人工标注。第一步从真实专业工作出发构建任务环境，不是拍脑袋写任务模板，而是拿真实工作流程当骨架。第二步做误干检测，独立执行一遍来发现环境构建时无意中完成了哪些工作，用这些证据反过来指导环境重建，把被干掉的活还原回来，让 agent 面对真正待解决的问题。第三步递进扩展，在同一个目标下逐步追加需求，新任务要利用先前结果并要求进一步探索，形成越做越难的任务链。这套设计保证 agent 训练时面对的是真实长程工作，不是被提前铺平的赛道。

数字与案例

研究团队用引擎构建了 1500 个任务环境，微调 Qwen3.5-27B 得到 TerminalHorizon-27B，在编码 agent 任务、生产级 agentic 任务、通用推理三档共 12 个基准上全面提升。最有说服力的是多个递归自改进案例：在 12 小时研究预算下，模型能迭代超越初始方案、从反馈中精炼方法，并把有效改进保留在最终产出里，这正是长程专业工作的核心行为模式。

给数据团队的启示

三条直接可用的经验。其一，环境合成后先跑一遍检测误干，这个动作成本极低但价值极高，多数团队从没做过，做一次就能暴露整个数据集被空心化的程度。其二，任务不要平铺，往递进式靠拢：同一目标加需求比同质多题更能训练策略调整，因为 agent 被迫在已有结果上继续工作而不是每次重启。其三，评测要包含生产级长程任务，纯短任务基准会掩盖训练数据改善的真实效果，12 基准的覆盖宽度本身就是一个值得抄的评测设计。项目页面在 zs1314.github.io/TerminalHorizon，方法不绑定模型，换底座可复现整套流程。