Terminal-Universe 从旧智能体运行记录中挖掘出 37,300 个训练环境

每一次编程智能体运行都会留下两样产物。一是记录：发出的命令、编辑过的文件。二是这些命令所作用的工作区。记录被保留了下来，工作区却没有，而一篇于 2026 年 9 月 3 日提交至 arXiv 的预印本认为，这种做法的轻重是颠倒的。

这篇题为《Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments》的论文，围绕终端智能体的后训练实际上消耗的是什么展开论证。一条轨迹就是一次被冻结的示范。而一个环境可以被反复查询、拆解成许多可验证的任务，并且每次都会返回执行反馈。轨迹已经大规模堆积，可执行环境却依然稀缺，而一条轨迹内部的工具执行历史，已经把它所运行的环境描述得足够清楚，足以据此重建。

所以 Terminal-Universe 并不从零生成环境。它挖掘的是那些被丢弃的环境。

为什么工作区比示范活得更久

被冻结的示范只能支持模仿，教会智能体某人曾经做过什么。而一个被恢复的工作区支持反复诘问：同样的文件和同样的失败测试，每一次都可以用不同的方式查询。论文所声称可规模化的，正是这种可复用性，而这恰恰是一份记录本身所不具备的。

预印本所指的稀缺与存储无关。环境构建成本高昂，却极易丢失，因为沙箱只在一次运行的时长内存在，而日志的寿命比它更长。论文给出的纠正方案更接近档案恢复，而非合成生成。

回放文件操作以重建沙箱

该机制分两个阶段运行。Terminal-Universe 首先回放轨迹中记录的文件操作，把每个文件恢复到智能体修改它之前的状态。得到的是一个部分工作区：智能体碰过的文件回来了，目录树的其余部分则没有。随后由补全智能体提供该工作区运行所需的缺失文件和依赖项。

任务生成只在之后才开始。在重建出的工作区上，该框架恢复原始轨迹当时试图完成的任务，并合成新的任务, , 正是这一步把单次记录变成了一个语料库。

两个维度：跨代码库，以及跨轮次

仅靠重建只会得到一个由静态、单次问题构成的档案库。论文转而在两个维度上扩展其合成任务。广度维度挖掘相关环境之间的有向依赖关系，构建跨越多个代码库的跨工作区查询，作者称这近似于日常开发工作。深度维度把单轮查询拉伸为多轮会话，由用户智能体提供迭代反馈，并随着会话推进不断细化需求。

三个核心数字说明了什么，又没说明什么

将该流水线应用于公开的终端智能体轨迹后，产出 37,300 个任务充分环境。在该语料库上对 Qwen3.5-27B 进行监督微调，产生了报告中的两项提升。

每一个数字都是自行报告的，测量对象是作者自己微调的模型，用的是他们自己挑选的基准。摘要没有点名任何基线，也没有描述任何对照实验。它同样没有定义“任务充分”，因此没有任何明确标准来区分一个能够承载任务的环境和一个仅能执行的环境。

多轮数字更难解读。EvoCode-Bench v2 MT@4 被点名，却没有被描述，而多轮评估引入了一个模拟用户，其反馈驱动着每一轮。摘要没有说明该用户智能体是否保持固定、是否由同一个模型生成，也没有说明 13.8 分的提升中有多少归功于模型本身，而非归功于被交到它手里的那场对话。

来源、许可证与基准污染

摘要称源轨迹是公开的。它没有说明使用了哪些数据集、这些数据集的许可证允许什么，也没有说明重建出的工作区是否会暴露出原本从未打算离开其原始沙箱的文件。

污染是更尖锐的问题。从公开轨迹中恢复的环境，所取自的真实开发会话总体，与公开基准构建所用的总体是同一批，而预印本并未说明这 37,300 个环境中是否有任何一个与 Terminal-Bench 2.1 或 EvoCode-Bench v2 背后的工作区重叠。通过回放已记录运行而汇编成的语料库，对这种重叠的暴露程度异常之高，因为其输入是真实会话，而非合成样本。

这一切都没有削弱那个回收利用的论点，它简单且可核验：如果一个工作区能从日志中恢复，那么丢弃它就是可选项。数字尚未回答的是保真度。重建取决于一条轨迹记录了多少文件系统内容，凡是日志稀薄之处，补全智能体就只能靠猜。摘要报告的是流水线的产出量，而不是重建出的环境与智能体实际工作过的环境有多接近。