让Agent连续干满12小时，阿里&中科大开源长程智能体任务环境与数据！

智猩猩AI整理

编辑：知知

让Agent接手一家尚未完工的网上商店，工作会从补齐商品浏览、登录、购物车和支付功能，一直延伸到处理支付失败与重试、避免重复订单，以及验证重启后的状态恢复。随着任务推进，新的测试可能暴露早先实现中的问题，促使Agent重新检查依赖、调整方案，再验证完整购买流程。探索、诊断、实现与验证，就这样在同一个目标下反复交织。

想要使agent获得这样持续自主工作的能力，并不容易。因此，来自中国科学技术大学、阿里巴巴DreamX的研究团队提出了TerminalHorizon，一个面向长程终端智能体的全自动数据合成引擎。研究的核心想法是：高质量的长程经验，应当呈现探索、判断、策略调整与验证等行为模式如何围绕同一目标跨阶段纠缠、衔接。

围绕这一思路，团队构造了覆盖25个专业领域的1,535个可执行任务环境，收集并筛选出2,852条训练轨迹。使用这些轨迹微调Qwen3.5-27B，得到的TerminalHorizon-27B在全部12项评测中取得提升，Terminal-Bench 2.1从46.82%提升至60.67%。

图1 短轨迹可以示范局部操作，教会怎么使用终端工具，而长程轨迹则呈现探索、策略修订与验证等行为模式如何共同推动任务完成。

01

行为模式如何贯穿

一次完整求解

短轨迹也能呈现有用的探索与纠错，但较为稀少和局限。长程任务进一步要求同一种行为模式跨越多个阶段：计划会随着证据积累不断修订，中间结果会成为后续工作的前提，后期验证发现的问题又可能触发对早期判断的重新检查。模型需要从训练中看到这些过程如何延续，并与其他模式共同推动任务完成。

论文将这些组织求解过程的方式称为智能体行为模式（agentic behavioral patterns），归纳为五类、共27种：信息探索与判断、诊断与纠错、构造与工作推进、验证与结果确立，以及策略与执行协调。

这些模式并不是一套必须按顺序执行的固定流程。任务推进到哪里、出现了什么证据，会影响智能体何时重新诊断、改变实现或补充验证。TLS网关修复案例就呈现了这种联系。

图2 TLS网关修复轨迹中的行为联系。上方是求解片段，下方展示不同模式如何跨越多个步骤并相互衔接。摘自论文附录案例图的(a)部分。

智能体先比较直连与重试路径，修复路由问题；随后后端暴露出客户端身份缺失，促使它补齐身份配置。此时客户端仍收不到响应，但网关日志已经记录了84字节的数据，新的证据又将诊断引向请求读取与连接处理。

实现、检查与纠错由此反复交织。最终的回归测试同时检查响应能否送达，以及无效客户端是否被拒绝。这样的轨迹让模型看到：上一轮行动产生的证据，如何决定下一轮要做什么。

02

让行为模式在任务中

发生并跨阶段延续

生成这样的数据有两个挑战。首先，任务描述虽然复杂，初始材料却可能已经完成部分分析或实现，使预期的行为模式没有充分出现。其次，即使模式已经出现，增加难度或交互轮数，也未必能让它跨越更多阶段。TerminalHorizon用两个阶段分别处理这两个问题。

第一阶段是挑战引导的长程合成。系统先确定真实工作需求，再构造指令、环境、参考解和验证器。随后，一个未参与构造的独立智能体只使用公开指令与环境完成任务。系统对照实际轨迹与预期工作，追查哪些探索、实现或验证被初始材料提前简化，据此重建环境，并再次执行检查。

图3 TerminalHorizon整体流程。

第二阶段是渐进式程度扩展。系统沿同一目标引入新要求，让新增工作依赖此前的判断、行动和结果。例如，酒店活动排期逐步加入人员转场、场地关闭和设备运输约束。一个场地变更会牵动其他活动；设备看似空闲，也可能因拆卸、运输与安装耗时而赶不上下一场。Agent需要根据这些反馈重新调整原有安排。

在这种任务中，早期判断影响后续实施，后续验证也可能要求回到前面修正。长程经验的价值，体现在这些跨阶段依赖所承载的持续求解工作中。

03

25个专业领域中的

长程交互经验

TerminalHorizon自动生成1,535个任务环境，覆盖软件工程、芯片电子、物理天文、教育评估等25个专业领域。团队使用DeepSeek-V4-Pro-0813作为教师模型、Terminus2作为执行框架，为每个环境采集两条轨迹，经过筛选保留2,852条，形成TerminalHorizon-3K。训练前还进行了基准去污染检查。

图4 环境与轨迹的综合分析，包括专业领域覆盖、初始材料、交互跨度和行为模式多样性。

在相同教师协议与设置下，论文从每种方法随机抽取300个任务重新执行。图中其他方法的平均交互长度为3.87至15.60轮，TerminalHorizon为52.82轮，中位数为40轮，90分位为98轮。其轨迹平均包含8.6种核心行为模式，由终端反馈串联的最长连续动作链中位数为25轮，呈现了持续利用反馈推进工作的经验。

图5 统一教师协议下的交互轮数比较，较长的过程同时包含持续的动作与环境反馈。

04

不到3K条轨迹带来

12项评测提升

团队在TerminalHorizon-3K上对Qwen3.5-27B进行监督微调。得到的TerminalHorizon-27B在终端任务、现实生产力与通用推理三类、共12项评测上均超过基础模型。

论文原表 Table 1 Terminal-Bench 1.0与2.0结果及已有方法对比。†标记的基础模型成绩来自官方模型卡。

论文原表 Table 2 终端任务、现实生产力与通用推理结果，保留AutomationBench的Pass Rate和Partial两项指标。括号内为百分点提升。

以Qwen3.5-27B为基础模型、Terminus2为执行框架时，Terminal-Universe-27B使用约32K条轨迹，在Terminal-Bench 2.0上得分52.8%；TerminalHorizon-27B使用2,852条轨迹，得分55.8%。按轨迹条数统计，后者使用了不足十分之一的数据，并高出3.0个百分点。

图6 不同模型规模与训练数据量下的结果。左图为三种模型规模的提升，右图为训练轨迹数量增加时的表现。

长程轨迹的训练收益也体现在不同模型规模上。如图6左侧所示，在Terminal-Bench 2.1上，Qwen3.5-27B、35B-A3B和122B-A10B经过训练后，成绩分别从46.82%、39.70%和49.06%提升至60.67%、52.81%和64.04%，对应提升13.85、13.11和14.98个百分点。三种配置均取得两位数的百分点提升，表明这些长程轨迹所承载的行为经验，在不同规模的模型上都具有训练价值。

增加训练数据后，模型表现仍在持续提升。如图6右侧所示，使用1,000条轨迹训练时，27B模型在Terminal-Bench 2.1上的成绩已达到57.30%；增加至2,000条时，成绩提升至58.43%；使用全部2,852条轨迹后，进一步达到60.67%。在已测试的数据范围内，性能尚未出现明显饱和，提示继续扩充高质量的长程轨迹，仍有望带来进一步收益。

05

12小时研究预算下

的RSI案例

标准基准之外，团队在RSI-Exam中分析了点云融合、仓储机器人路径优化、潮汐海床摩擦场反演和2048策略优化四类任务。每个任务提供最多12小时的研究预算，每个模型各运行一次。智能体可以自行决定提前提交并结束研究，研究期间看不到隐藏评测结果。

在这四次运行中，基础模型都在预算耗尽前自行停止，其中三个案例在约1.3小时以内就结束了研究：点云融合约12.1分钟，潮汐反演1.12小时，2048策略优化1.28小时。而TerminalHorizon-27B在四个案例中均持续研究至12小时预算结束，这意味着我们的模型获得了持续探索、研究的能力。

点云融合案例展示了基础模型为什么认为可以提前提交。它将其他视图移向参考视图，并保留靠近参考视图的点，在自建代理指标上取得0.8994的平均F-score，于是判断结果已经很好，在约12.1分钟后自行结束。但接近一个参考视图，并不能证明完整场景已被重建：其他视图独有的表面可能已经被遗漏。

TerminalHorizon-27B早期也得到过约0.989的高代理分数，但它继续检查选中的点来自哪些视图，质疑指标是否只是在奖励复制参考视图。随后引入的留一视图诊断暴露了覆盖不足，推动它改进跨视图对齐、进行全局精修并按置信度选点。这一过程同时修订了求解方法和检验进展的实验。最终隐藏评测的平均F-score由基础模型的48.04提升至77.68，归一化奖励由21.93提升至48.96。

图7 RSI案例中点云融合的研究过程。

论文原表 Table 5 四个RSI案例的最终隐藏集得分与实际研究时长。得分为原生归一化奖励×100，研究时长不含环境准备与最终验证。

06

为持续自主工作

提供训练经验

TerminalHorizon将长程数据的设计重点放在行为模式及其跨阶段关联上：探索获得的证据支持后续判断，验证发现的问题引导策略调整，阶段性成果成为继续工作的基础。相应的环境也需要保留这些行为背后的实质工作。

项目已开放任务环境、训练轨迹与模型，方便研究者进一步探索长程经验如何影响智能体的自主工作能力。欢迎阅读论文及使用开源数据。

关注+星标，获取AI前沿进展与开源一线动态