Passer à l'échelle les données d'agents pour l'intelligence de terminal à long horizon : TerminalHorizon affine un modèle de 27 Md sur environ 3 000 longues trajectoires et progresse sur les 12 benchmarks

Un agent de terminal est un agent qui travaille seul dans un environnement en ligne de commande : il lit des fichiers, lance des commandes, modifie du code, regarde la sortie et décide de la suite. À mesure que ces agents passent d'opérations locales à de vraies tâches professionnelles, la qualité des données d'entraînement devient le goulot d'étranglement. L'article 2610.13166, d'une équipe de stagiaires d'AMAP chez Alibaba, s'intitule « Scaling Agentic Data for Long-Horizon Terminal Intelligence ». Son idée centrale est que les courtes trajectoires apprennent à un agent à taper des commandes et à appeler des outils, mais pas comment, au sein d'une résolution de problème complète, réunir des preuves, porter des jugements, ajuster sa stratégie selon le retour et transformer des résultats intermédiaires en livrable final. De longues trajectoires de qualité gardent ces schémas de comportement et leurs liens dans un seul processus, ce qui donne à l'agent une expérience plus riche.

Fabriquer de telles données comporte un piège caché. L'article note que, lorsqu'on synthétise des environnements, le travail clé que l'agent devait faire est souvent accompli ou simplifié à l'avance. Par exemple, si une tâche demande d'implémenter une fonction centrale que l'environnement fournit déjà, le reste du travail peut se réduire à changer une constante : l'exploration, l'implémentation et la vérification disparaissent, et la trajectoire n'enseigne rien. Des tâches plus longues ou plus de tours d'interaction ne prolongent pas non plus automatiquement ces schémas ni ne renforcent leurs liens. Le défi est de trouver et d'ajouter de nouvelles exigences qui dépassent la solution initiale tout en gardant le même objectif, et de faire reposer le travail ajouté sur les jugements, actions et résultats précédents, pour que les schémas continuent de se développer au fil de la tâche.

TerminalHorizon fonctionne en deux étapes, entièrement automatiques. Dans la première, il construit des environnements de tâches de terminal exécutables à partir de travaux professionnels réels. Il utilise ensuite l'exécution indépendante pour repérer le travail clé omis pendant la construction et s'en sert pour guider la reconstruction, afin que le travail qui revient à l'agent retourne dans la tâche. Dans la seconde, il étend progressivement les tâches acceptées sous le même objectif et ajoute des exigences qui dépendent des résultats de l'étape précédente, ce qui appelle plus d'exploration et d'amélioration, et les schémas de comportement se prolongent d'une étape à l'autre. Un exemple en annexe est une tâche de synchronisation de photothèque, où une tâche mère se divise en deux branches de trois générations et où les nouvelles exigences passent d'un import à sens unique à une seconde synchronisation avec éditions indépendantes, puis à la gestion du retrait et de la restauration. Avec ce moteur, les auteurs ont construit TerminalHorizon-3K, avec 1 535 environnements et 2 852 trajectoires d'entraînement. Chaque trajectoire compte en moyenne 8,6 schémas centraux, couvrant l'exploration, la construction, la correction d'erreurs et la vérification.

Côté résultats, l'affinage supervisé de Qwen3.5-27B donne TerminalHorizon-27B, qui, selon l'article, dépasse le modèle de base sur les 12 benchmarks couvrant tâches de terminal, tâches de production réelles et raisonnement général. Sur Terminal-Bench 1.0 (80 tâches), 2.0 et 2.1 (89 tâches chacun), il obtient 55,0 %, 55,8 % et 60,67 %, et l'article indique des gains sur la base de 8,7, 14,2 et 13,85 en pourcentage. Chaque tâche est lancée trois fois indépendamment et la moyenne de pass@1 est rapportée, avec trois heures par tâche et des bacs à sable Daytona ou E2B. Sur des tâches de productivité réelles, le taux de réussite d'AutomationBench gagne 11,7 % et le score partiel 23,3 %, et VitaBench gagne 11,3 %. Il dépasse aussi de 3,0 % Terminal-Universe-27B, qui utilise la même base et le même cadre, avec moins du dixième des trajectoires d'entraînement. La configuration d'entraînement est AdamW fusionné, taux d'apprentissage 1e-5, décroissance de poids 0,1, planning cosinus et 5 % de montée en température.

L'article mène aussi plusieurs cas d'auto-amélioration récursive, chacun avec un budget de recherche de 12 heures, pour montrer que le modèle peut continuer à expérimenter après une première solution, améliorer sa méthode selon le retour et garder les améliorations utiles dans son livrable final. Quelques précautions à la lecture. D'abord, tous les chiffres viennent de l'évaluation des auteurs. Nous n'avons vu aucune reproduction indépendante et n'avons pas vérifié si les détails d'entraînement et les réglages d'évaluation sont pleinement comparables entre les systèmes. Ensuite, les cas d'auto-amélioration sont qualitatifs, pas un taux de réussite statistique. Enfin, l'affirmation de meilleurs scores avec moins du dixième des trajectoires doit être testée sur d'autres modèles de base et cadres. Pour les équipes qui entraînent des agents, l'apport le plus utile est peut-être la méthode : vérifier d'abord si un environnement synthétisé contient du travail déjà fait à la place de l'agent, puis laisser la tâche grandir sous le même objectif.