两千八百条数据，赢过三万两千条

两千八百条数据，赢过三万两千条

训练终端智能体的数据，业内通行做法是堆数量：几万条轨迹，每条十几轮交互，教会模型敲命令、调工具。上周中科大和阿里达摩院的团队交了另一份答卷：两千八百五十二条轨迹，每条平均五十二点八轮交互。微调出来的模型在 Terminal-Bench 2.0 上拿 55.8%，比通行做法的代表 Terminal-Universe 高三个百分点——而对方用了三万两千条数据，是这个团队的十倍还多。

少的赢多的，赢在每条数据里装的东西不一样。

短轨迹教会动作，教不会做事

一条短轨迹演示的是「怎么敲命令」：遇到什么输出、敲什么命令。但真实的终端任务不是命令的串联，是解决问题的过程——先探索摸清环境，再诊断问题出在哪，然后实现，最后验证。过程中要根据反馈改方案，上一步的发现要用在下一步的判断里。

论文做了一件基础功课：把长程任务里需要的能力拆开数了一遍，得到五大行为家族、二十七种具体模式。比如「关系追踪」——顺着对象之间的关联一路查下去，用查到的东西支撑后面的决定；比如「反馈迭代修正」——上一轮失败暴露的信息，改变下一轮的策略。这些模式在十几轮的短轨迹里根本没机会完整出现。

真正的问题在数据合成那一头。要造长轨迹，得先造任务环境——而环境设计者手一滑，会把任务里的关键工作提前做掉。比如验证脚本直接给出了正确答案的检查方式，探索这一步就被跳过了；比如环境里预置了简化条件，诊断这一步就不需要了。任务还在，但解决问题的过程被掏空了。模型学完，学会的是走流程，不是做事。

论文的对策是个双闭环。外层管广度：看已生成任务的覆盖缺口，定向补新的专业方向。内层管深度：放一个独立的第三方智能体去执行候选任务，专门找环境里被预设简化的环节——哪里被提前做掉了、哪里被跳过了——然后针对性重构，把工作还给智能体。每一环都有明确的分工和验收。

十二小时的长跑

最有说服力的实验放在最后。团队给模型一个十二小时的研究预算，让它自主完成一个真实任务：多视角点云融合。

底座模型的表现是个黑色幽默：跑了十二点一分钟，给自己设计了一个代理指标，一测——分数很好，于是自我评价优秀，主动提交，收工。它不知道的是：只对齐一个参考视角的代理指标好，不代表重建出了完整场景。别的视角才能看见的表面，它全丢了。

微调后的模型跑了全程。它不停留在初始方案上，回头检查不同视角各自贡献了什么，引入了一个「留一视角」的诊断——把某个视角拿掉看重建掉多少分，暴露覆盖不足的位置——然后据此改进跨视角对齐、做全局精修、用置信度筛点。最后的隐藏评测分比底座模型高 27.03%。同样十二小时，一个十二分钟就「满意」了，一个把时间用完。

这个对比有个值得单独摘出来的点：模型缺的不是时间预算，是把时间用掉的耐心。短轨迹数据训练出来的模型，学会的是「尽快交卷」。

数据的两个维度

把这篇和同领域其他论文放在一起看，一个更大的图景出来了。今天上午大晓的 ACE-Brain-0.6 用一百万条数据堆覆盖广度，论文自己的结论是「同类数据堆多涨不到一分，新场景才值钱」。这篇 TerminalHorizon 走的是另一个维度：不堆数量，把每条轨迹做长做完整。一横一纵，数据效率的两面凑齐了：广度要扩边界，深度要保过程。

数字补齐：Terminal-Bench 1.0/2.0/2.1 分别 55.0/55.8/60.67，比底座（46.3/41.6，作者复现值）提升 8.7/14.2/13.85。真实生产力侧，AutomationBench 通过率涨 11.7%、部分得分涨 23.3%，VitaBench 涨 11.3%。十二个基准覆盖编码、生产力、通用推理，全线正向。数据集叫 TerminalHorizon-3K，两千八百五十二条轨迹，中位数反馈链二十五轮，九成位的轨迹将近一百轮。

值得一提的诚实细节：底座的分数是作者自己复现的（表格里带了个剑号注明），不是抄官方报告值——这种数字都印在表里，是复现类工作该有的样子。

*信源：arXiv 2610.13166（2026-10-09），Scaling Agentic Data for Long-Horizon Terminal Intelligence；作者 Shun Zou 等，中国科学技术大学、阿里达摩院、南方科技大学；基座 Qwen3.5-27B；对照 Terminal-Universe-27B（Wu et al. 2026，32.0k 轨迹）；十二基准含 Terminal-Bench 1.0/2.0/2.1、AutomationBench、VitaBench 等。*