攻克终端智能长程盲区！自动化数据合成引擎 TerminalHorizon 发布：27B 模型在 Terminal-Bench 2.0 斩获 55.8%

核心背景与行业痛点

在当前大模型赋能的自主编程（SWE Agents）与云原生运维智能体中，让 Agent 真正掌握在 Linux 终端内长程排障、编译与部署的能力是迈向 AGI 的核心阶梯。然而，终端智能体的数据基础设施长期面临严峻痛点：

1. 短程轨迹（Short Horizons）无法承载复杂工程因果：现有开源终端数据集多为 3~5 步的简单指令或单工具调用片段，无法让模型学会‘在不确定环境中通过多轮探查收集证据、根据命令报错动态修正方案、最终组合多步成果生成结构化产物’的高维策略；
2. 合成环境‘预解陷阱（Pre-solving Trap）’：传统自动化环境合成框架为了追求高通过率，往往在初始化阶段就过度简化了环境配置甚至预先完成了关键依赖安装，彻底剥离了真实工程场景中最磨炼智能体的问题探索与自检闭环；
3. 标注成本极高与长程因果漂移：长程终端交互一旦超过数十步，传统大模型在合成数据时极易产生幻觉与逻辑自相矛盾，导致合成轨迹充满低效噪声。

架构亮点与底层机制

针对上述痛点，研究团队设计了端到端全自动长程终端数据合成流水线 TerminalHorizon（arXiv:2610.13166，项目主页：zs1314.github.io/TerminalHorizon）：

1. 真实工作流逆向挖掘与独立执行审计：流水线不再凭空编写虚拟任务，而是以真实软件仓库与生产级运维工作流为基底。系统引入独立执行沙箱，在自动化构建环境时主动寻找并记录被常规脚本所省略的关键隐式配置与上下文依赖；
2. 基于证据的动态环境逆向重构：利用沙箱探索中捕捉到的真实执行证据，引擎反向生成具备真实故障、缺失依赖或未完全就绪的真实环境挑战，迫使 Agent 必须通过交互主动探索；
3. 多阶段统一目标有机扩展（Multi-Stage Task Expansion）：在宏观任务目标下，系统沿研发交付链路自适应延伸任务生命周期，将简单的环境配置逐步扩展为多模块代码重构、跨服务联调与综合测试验证，使单条轨迹自然延伸至数十甚至上百轮深度交互；
4. 高质量数据资产与开源基座微调：团队全自动化合成了 1,500 个复杂工业级终端环境，沉淀出 2,852 条经过严格沙箱校验的高质量长程轨迹，平均单条交互达 52.8 个交互轮次（Turns）。

权威 Benchmark 与实测跑分对比

研究团队基于 Qwen3.5-27B 基座进行全参数监督微调（SFT），打造了开源终端智能体模型 TerminalHorizon-27B，并在横跨 12 项权威评测基准上进行了系统性横向对比：

1. Terminal-Bench 2.0 取得 55.8% 突破性高分：在衡量终端长程解决能力的行业顶级基准 Terminal-Bench 2.0 上，TerminalHorizon-27B 斩获 55.8% 的准确率，相较于未经终端微调的原版 Qwen3.5-27B（41.6%）实现了高达 14.2 个百分点的跨越式提升；
2. 极小数据量击败海量训练竞品：相比以往耗费数万甚至十万级合成轨迹训练的同量级基准模型（如 Terminal-Universe-27B），TerminalHorizon 仅凭借不到 3,000 条高质量精纯轨迹即在核心榜单上取得领先，证明了长程因果证据链对于 Agent 智能的决定性意义；
3. 跨 12 项综合基准全面泛化：不仅在命令行运维任务上表现亮眼，在 SWE-bench 系列编程问题修复、复杂跨文件代码重构以及多步通用逻辑推理等 12 项严苛测试集中均表现出一致的泛化增益，未出现灾难性遗忘或任务单一化退化。

开发者实战落地与开箱指南

TerminalHorizon 的研究为构建工程级 Agent Harness、自动化运维助手及自主编程平台提供了重要范式：

1. 重构合成数据生产线：告别单轮‘问-答-跑命令’的简陋数据流，在沙箱中接入 TerminalHorizon 的逆向探索机制，利用真实构建失败与中间日志驱动多阶段任务推演；
2. 开源权重与微调数据集即插即用：TerminalHorizon-3K 轨迹与配套环境配置已在 Hugging Face（shunzou05/TerminalHorizon-3K）正式开放，开发者可直接拉取微调本地 7B/14B/27B/32B 开源基座，显著提升命令行沙箱操作与自纠错能力；
3. 长程交互上下文策略优化：研究证实 50+ 轮次的长程终端任务需要稳健的证据缓存与上下文修剪机制，建议在 Agent 框架中配合结构化状态追踪，避免因无序终端回显迅速溢出 Attention 窗口。