Terminal-Universe تستخرج 37,300 غرفة تدريب من تشغيلات وكلاء قديمة

كل تشغيل لوكيل برمجة يترك خلفه أثرين. أحدهما النص المسجل: الأوامر الصادرة، والملفات المعدلة. والآخر مساحة العمل التي نُفذت عليها تلك الأوامر. يُحتفظ بالنصوص المسجلة؛ أما مساحات العمل فلا، وترى نسخة أولية مقدمة إلى arXiv في 3 سبتمبر 2026 أن هذا معكوس.

تقدم الورقة، Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments، حجتها بشأن ما يستهلكه التدريب اللاحق لوكلاء الطرفية فعليًا. فالمسار هو عرض توضيحي مجمّد واحد. أما البيئة فيمكن إعادة استعلامها في مهام عديدة قابلة للتحقق، وتعيد تغذية راجعة تنفيذية في كل مرة. وقد تكدست المسارات على نطاق واسع بينما تظل البيئات القابلة للتنفيذ نادرة، وسجل تنفيذ الأدوات داخل المسار يصف بالفعل البيئة التي جرى فيها بما يكفي لإعادة بنائها.

لذا لا يولّد Terminal-Universe بيئات من الصفر. بل يستخرج تلك التي جرى التخلص منها.

لماذا تعيش مساحة العمل أطول من العرض التوضيحي

العرض التوضيحي المجمّد يدعم التقليد، فيعلّم الوكيل ما فعله شخص ما مرة واحدة. أما مساحة العمل المستعادة فتدعم الاستجواب: يمكن استعلام الملفات نفسها والاختبار الفاشل نفسه بطرق مختلفة في كل تمريرة. قابلية إعادة الاستخدام تلك هي الخاصية التي تزعم الورقة أنها قابلة للتوسع، وهي الخاصية التي يفتقر إليها النص المسجل بمفرده.

الندرة التي تسميها النسخة الأولية ليست متعلقة بالتخزين. فبناء البيئات مكلف وفقدانها سهل، لأن بيئة الاختبار المعزولة توجد طوال مدة تشغيل واحد بينما يعيش السجل بعدها. والتصحيح المعروض أقرب إلى استعادة أرشيفية منه إلى تخليق.

إعادة تشغيل عمليات الملفات لإعادة بناء بيئة الاختبار المعزولة

تعمل الآلية على مرحلتين. يعيد Terminal-Universe أولًا تشغيل عمليات الملفات المسجلة في مسار ما لاستعادة كل ملف إلى الحالة التي كان عليها قبل أن يعدله الوكيل. والنتيجة مساحة عمل جزئية: الملفات التي لمسها الوكيل تعود، وبقية الشجرة لا. ثم يزوّد وكيل إكمال الملفات والاعتماديات الناقصة التي تحتاجها مساحة العمل كي تعمل.

لا يبدأ توليد المهام إلا بعد ذلك. على مساحة العمل المعاد بناؤها، يستعيد الإطار المهمة التي كان المسار الأصلي يحاول أداءها ويولّف مهامًا جديدة، وهي الخطوة التي تحوّل تسجيلًا واحدًا إلى مجموعة.

محوران: عبر قواعد الشيفرة، وعبر الجولات

الاقتصار على إعادة البناء وحدها كان سيترك أرشيفًا من مسائل ساكنة أحادية الطلقة. وبدلًا من ذلك، توسّع الورقة مهامها التوليفية على محورين. فالاتساع يستخرج علاقات اعتماد اتجاهية بين بيئات مترابطة ويبني استعلامات عابرة لمساحات العمل تمتد عبر قواعد شيفرة متعددة، وهو ما يقدمه المؤلفون كتقريب لعمل التطوير العادي. أما العمق فيمدّ استعلامًا أحادي الدور إلى جلسة متعددة الجولات، مع وكيل مستخدم يقدم تغذية راجعة تكرارية ويصقل المتطلبات مع استمرار الجلسة.

ما تُظهره الأرقام الثلاثة الرئيسية وما لا تُظهره

عند تطبيقها على مسارات وكلاء طرفية عامة، أنتجت خط الأنابيب 37,300 بيئة كافية للمهام. وأنتج الضبط الدقيق الموجّه لـ Qwen3.5-27B على تلك المجموعة تحسينين مُبلَّغًا عنهما.

كل رقم مُبلَّغ عنه ذاتيًا، وقيس على نموذج قام المؤلفون بضبطه الدقيق، على معايير اختاروها. لا يسمي الملخص أي خط أساس ولا يصف أي تشغيل ضابط. كما يترك "كافية للمهام" دون تعريف، لذا لا يوجد معيار معلن يفصل بين بيئة يمكنها استضافة مهمة وأخرى تنفذ فقط.

الرقم الخاص بالجولات المتعددة أصعب في القراءة. يُسمى EvoCode-Bench v2 MT@4 لكن دون وصف، ويقدّم التقييم متعدد الجولات مستخدمًا محاكيًا تدفع تغذيته الراجعة كل دور. لا يذكر الملخص ما إذا كان وكيل المستخدم هذا مثبتًا، أو ما إذا كان النموذج نفسه يولّده، أو كم من مكسب الـ 13.8 نقطة يعود إلى النموذج بدلًا من المحادثة التي تُعطى له.

المصدر، والتراخيص، وتلوث المعايير

يقول الملخص إن المسارات المصدرية كانت عامة. لكنه لا يذكر أي مجموعات استُخدمت، ولا ما تسمح به تراخيصها، ولا ما إذا كانت مساحات العمل المعاد بناؤها قد تُظهر ملفات لم يكن المقصود أبدًا أن تخرج من بيئتها المعزولة الأصلية.

التلوث هو السؤال الأحدّ. فالبيئات المستعادة من مسارات عامة تستقي من نفس مجموعة جلسات التطوير الحقيقية التي تُبنى منها المعايير العامة، ولا تتناول النسخة الأولية ما إذا كان أي من البيئات الـ 37,300 يتقاطع مع مساحات العمل الكامنة خلف Terminal-Bench 2.1 أو EvoCode-Bench v2. والمجموعة المجمعة عبر إعادة تشغيل تشغيلات مسجلة معرّضة بشكل غير معتاد لذلك التقاطع، لأن المدخلات جلسات حقيقية وليست أمثلة توليفية.

لا شيء من هذا يقوّض حجة إعادة التدوير، وهي بسيطة وقابلة للتحقق. إذا كان يمكن استعادة مساحة عمل من السجل، فإن التخلص منها كان اختياريًا. ما لا تجيب عنه الأرقام بعد هو الدقة. فإعادة البناء تعتمد على مقدار ما سجله المسار من نظام الملفات، وحيثما يكون السجل ضعيفًا، يضطر وكيل الإكمال إلى التخمين. يذكر الملخص مردود خط الأنابيب، وليس مدى تشابه الغرف المعاد بناؤها مع تلك التي عمل فيها الوكلاء فعليًا.