AI 编程实时动态与要闻

终端智能体（Terminal Agents）在长程命令行交互中常难以将局部进展转化为最终任务通关。腾讯 AI Lab 与新加坡国立大学联合提出 Terminal-RSI，通过交替执行已验证轨迹的递归自重写（RSR）与继承 Critic 状态的递归策略精炼（RPR），结合跨轮次跳过观测的 TB-GAE 优势估计，基于 Qwen3.8-27B 历经五阶段演化后在 Terminal-Bench 2.1 斩获 86.52%、Hard 达 79.00%，LHTB 严格通关数从 0/46 跃升至 5/46。

查看大图

微软研究院（MSR）与斯坦福大学联合发布 AutoEnvScaling，首次将强化学习交互环境的设计本身转化为终端任务，利用提案智能体（Proposer）与求解智能体（Solver）的协同构建自动化数据飞轮。相比纯 Prompt 生成，环境有效率暴增高达 25 倍，单环境构建成本降低 75%。更关键的是，让单一模型（Qwen3.6-35B-A3B）同时扮演设计者与求解者，实现递归自我提升（RSI），在 Terminal-Bench 2.1 提升 12.2 分，Terminal-Bench 4.0 跑分翻倍。

查看大图

随着自主软件工程智能体与命令行运维 Agent 从执行单条命令走向长程自主交付，缺乏高质量、真实多轮交互的终端训练数据成为了制约基座模型进化的首要瓶颈。中国科学技术大学、高德地图（阿里巴巴集团）与南方科技大学联合研究团队在最新成果（arXiv:2610.13166）中正式推出了全自动终端数据合成引擎 TerminalHorizon。针对传统短程轨迹过度简化工程上下文、预设环境提前解题等致命缺陷，TerminalHorizon 始于真实专业工作流，通过独立执行闭环自动捕获被遗漏的核心操作步，基于探索证据动态重建环境，并沿统一长程目标将任务逐级扩展为多阶段有机需求。团队以此构建了 1.5K 个复杂任务环境与 2,852 条平均交互轮次达 52.8 步的高质量长程轨迹。基于 Qwen3.5-27B 监督微调得到的 TerminalHorizon-27B 模型在权威基准 Terminal-Bench 2.0 上斩获 55.8% 的高分，较原基座暴涨 14.2 个百分点，以极小训练规模击败此前主流模型，横扫涉及 Coding Agent、生产级运维及通用推理的 12 项评测，项目代码与数据集已全面公开。

查看大图

随着终端智能体（Terminal Agents）从常规软件开发向生物信息、量子化学及天体物理等复杂科学垂直领域纵深渗透，如何构建高保真且具备确定性验证能力的训练环境成为了业界最大的工程死穴。传统手工编写特定领域任务与断言不仅成本高昂，且规则极难复用。来自清华大学与腾讯的研究团队提出了革命性的自监督框架 SWR（Software-in-the-Loop Reconstruction，arXiv:2610.02710）：直接利用工业界与科研界成熟现存的软件工作流（Executable Software Workflows）作为真实真值源，通过自动化输入配置扰动将测试集切分为公开观测与隐藏评测。智能体在仅看到输入模式与部分输入输出对的黑盒条件下，自主逆向重构出全功能可编辑脚本程序；再由多级层级验证器（结合语义断言、结构合法性与防捷径反作弊检查）在隐藏配置上进行绝对真值校验。团队在跨越 6 大科学领域的 500 个真实工作流与 46 个知名软件家族上落地 SWR，采集并清洗了 1,422 条高难度通关轨迹（扩增至 3,000 条训练集）。微调 Qwen3.8-27B 后，模型在权威基准 Terminal-Bench 2 上的平均得分由 47.94% 飙升至 53.56%，在全部对比对照组中全面斩获第一。

查看大图

终端编程智能体（Terminal Agents）在执行 Bash 命令行或系统自动化运维时，依赖大模型的随机自回归生成。然而一条有瑕疵的破坏性命令（如错误的 pip 包安装、冲突的环境变量修改或误删目录）会造成不可逆的环境污染，进而彻底葬送后续的排错机会。来自前沿研究团队推出了全新测试时算力扩展（Test-Time Compute）范式 Mid-Harness：不同于昂贵的全轨迹采样（Best-of-N Trajectories），Mid-Harness 在模型生成与 Harness 执行环境的“中间边界”部署动作级采样与验证器（Action-Level Verification）。在基准测试 TerminalBench-Lite 上，Mid-Harness 将基础智能体的 Pass@1 成功率从 50.00% 暴拉至 68.03%，以大幅降低的 Token 成本实现了远超传统全轨迹重试的超高执行可靠性。

查看大图

终端智能体（Terminal Agents，如 Cline、OpenHands、Claude Code）依赖概率生成模型直接向 Bash 命令行下发指令，但具备生成有效动作的能力并不等同于能够可靠执行。在实际工程中，一条错误的误操作命令（如误装依赖版本、错误删除配置或破坏系统文件）便足以永久破坏沙箱环境，使后续规划全盘瘫痪。最新研究提出 Mid-Harness，首次将测试期计算（Test-Time Compute）聚焦在模型与 Harness 的交界处。通过在动作真正下发至系统前进行多候选采样与细粒度验证，在无需改动底座生成器与 Harness 的前提下拦截灾难性调用。在 TerminalBench-Lite 评测中，Mid-Harness 将 Pass@1 从 50.00% 跃升至 68.03%，且相比盲目生成整条长轨迹，在显著降低 Token 消耗的同时获得了更高的任务完成率。

查看大图