Terminal-Universe extrae 37.300 salas de entrenamiento de antiguas ejecuciones de agentes

Cada ejecución de un agente de programación deja dos artefactos. Uno es la transcripción: los comandos emitidos, los archivos editados. El otro es el espacio de trabajo contra el que se ejecutaron esos comandos. Las transcripciones se conservan; los espacios de trabajo no, y un preprint enviado a arXiv el 3 de septiembre de 2026 sostiene que eso está al revés.

El artículo, Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments, defiende su tesis en torno a lo que realmente consume el post-entrenamiento de agentes de terminal. Una trayectoria es una única demostración congelada. Un entorno puede reconsultarse para convertirse en muchas tareas verificables y devuelve retroalimentación de ejecución cada vez. Las trayectorias se han acumulado a escala mientras los entornos ejecutables siguen siendo escasos, y el historial de ejecución de herramientas dentro de una trayectoria ya describe el entorno en el que se ejecutó con suficiente detalle como para reconstruirlo.

Así que Terminal-Universe no genera entornos desde cero. Explota los que fueron descartados.

Por qué un espacio de trabajo sobrevive a una demostración

Una demostración congelada admite la imitación: enseña a un agente lo que alguien hizo una vez. Un espacio de trabajo recuperado admite el interrogatorio: los mismos archivos y la misma prueba fallida pueden consultarse de forma distinta en cada pasada. Esa reutilización es la propiedad que el artículo afirma que escala, y es la propiedad de la que carece una transcripción por sí sola.

La escasez que señala el preprint no tiene que ver con el almacenamiento. Los entornos son caros de construir y fáciles de perder, porque un sandbox existe durante la duración de una ejecución mientras que el registro lo sobrevive. La corrección que se ofrece se parece más a una recuperación de archivo que a una síntesis.

Reproducir operaciones de archivos para reconstruir el sandbox

El mecanismo funciona en dos etapas. Terminal-Universe primero reproduce las operaciones de archivos registradas en una trayectoria para restaurar cada archivo al estado que tenía antes de que el agente lo modificara. El resultado es un espacio de trabajo parcial: los archivos que el agente tocó vuelven, el resto del árbol no. Un agente de completado proporciona después los archivos y dependencias faltantes que el espacio de trabajo necesita para poder ejecutarse.

La generación de tareas comienza solo después de eso. Sobre el espacio de trabajo reconstruido, el marco recupera la tarea que intentaba la trayectoria original y sintetiza otras nuevas, que es el paso que convierte una única grabación en un corpus.

Dos ejes: entre bases de código y entre turnos

La reconstrucción por sí sola dejaría un archivo de problemas estáticos de un solo disparo. El artículo escala sus tareas sintéticas a lo largo de dos ejes. La amplitud explota relaciones de dependencia direccional entre entornos relacionados y construye consultas entre espacios de trabajo que abarcan múltiples bases de código, lo que los autores presentan como una aproximación al trabajo de desarrollo ordinario. La profundidad estira una consulta de un solo turno hasta convertirla en una sesión de múltiples rondas, con un agente de usuario que aporta retroalimentación iterativa y refina los requisitos a medida que la sesión continúa.

Qué muestran y qué no muestran las tres cifras principales

Aplicado a trayectorias públicas de agentes de terminal, el pipeline produjo 37.300 entornos suficientes para tareas. El ajuste fino supervisado de Qwen3.5-27B sobre ese corpus produjo dos mejoras reportadas.

Todas las cifras son autodeclaradas, medidas sobre un modelo que los propios autores ajustaron y en benchmarks que ellos eligieron. El resumen no nombra ninguna línea base ni describe ninguna ejecución de control. También deja "suficiente para tareas" sin definir, por lo que no hay un criterio declarado que separe un entorno capaz de albergar una tarea de otro que meramente se ejecuta.

La cifra de múltiples rondas es más difícil de interpretar. Se nombra EvoCode-Bench v2 MT@4, pero no se describe, y la evaluación de múltiples rondas introduce un usuario simulado cuya retroalimentación impulsa cada turno. El resumen no dice si ese agente de usuario se mantiene fijo, si el mismo modelo lo genera, ni cuánto de la ganancia de 13,8 puntos corresponde al modelo y no a la conversación que se le entrega.

Procedencia, licencias y contaminación de benchmarks

El resumen dice que las trayectorias de origen eran públicas. No dice qué colecciones se usaron, qué permiten sus licencias, ni si los espacios de trabajo reconstruidos pueden sacar a la luz archivos que nunca debían salir de su sandbox original.

La contaminación es la pregunta más punzante. Los entornos recuperados de trayectorias públicas beben de la misma población de sesiones de desarrollo reales con la que se construyen los benchmarks públicos, y el preprint no aborda si alguno de los 37.300 entornos se solapa con los espacios de trabajo que hay detrás de Terminal-Bench 2.1 o EvoCode-Bench v2. Un corpus ensamblado reproduciendo ejecuciones grabadas está inusualmente expuesto a ese solapamiento, porque las entradas son sesiones reales y no ejemplos sintéticos.

Nada de esto socava el argumento del reciclaje, que es simple y verificable. Si un espacio de trabajo puede recuperarse del registro, descartarlo era opcional. Lo que las cifras todavía no responden es la fidelidad. La reconstrucción depende de cuánto del sistema de archivos registró una trayectoria, y allí donde el registro es escaso, un agente de completado tiene que adivinar. El resumen informa del rendimiento del pipeline, no de cuán fielmente se parecen las salas reconstruidas a aquellas en las que realmente trabajaron los agentes.