arXiv cs.AI· Spandan Garg, Vikram Nitin, Yufan Huang·· 14 小时前AI 评分38
Terminus-4B：小模型能否在前沿 LLM 的智能体执行任务中取而代之？
Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks?
AI 导读
基于 Qwen3-4B 经 SFT 与 RL 后训练得到的 Terminus-4B，在智能体终端执行任务上可媲美 Claude Sonnet / Opus / GPT-5.3-Codex 等前沿模型，且常超越其表现。
正文 · AI 翻译
摘要：现代编码智能体越来越多地将专门化的子任务委派给子智能体，子智能体是更小、更专注的智能体循环，负责搜索、调试或终端执行等狭窄职责。这种架构模式通过将冗长的输出（例如构建日志、测试结果等）隔离在子智能体上下文中，使主智能体的上下文窗口保持干净。通常，当智能体为此类任务使用子智能体时，它们会使用前沿模型作为这些子智能体。在本文中，我们研究了一个经过微调的小型语言模型（SLM）能否在智能体终端执行任务中达到与前沿模型相当的性能。我们提出了 Terminus-4B，这是一个通过监督微调（SFT）和强化学习（RL）使用基于评分标准的 LLM-as-judge 奖励对 Qwen3-4B 模型进行后训练得到的模型，专门用于此任务。在我们涵盖各种前沿模型、训练消融和主智能体配置的广泛评估中，我们发现 Terminus-4B 能够将主智能体的 token 使用量相比无子智能体基线最多减少约 30%，且在 SWE-Bench Pro 和我们内部的 SWE-Bench C# 基准（该基准往往包含大量冗长的执行任务）上对智能体性能没有影响。此外，Terminus-4B 改善了关键指标，表明主智能体依赖子智能体的输出，并且自身执行的终端执行任务更少。我们看到，我们的模型不仅缩小了 Vanilla Qwen 模型与 Claude Sonnet / Opus / GPT-5.3-Codex 等前沿模型之间的差距，而且往往甚至超过了它们的性能。
| 评论： | 当前文章涉及一些产品知识产权问题，需要撤回并重新审批 |
| 主题： | 人工智能（cs.AI）；软件工程（cs.SE） |
| 引用为： | arXiv:2605.03195 [cs.AI] |
| （或此版本的 arXiv:2605.03195v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.03195 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Spandan Garg [查看电子邮件]
[v1]
2026年5月4日星期一 22:24:24 UTC（2,125 KB）
[v2]
2026年7月1日星期三 17:09:23 UTC（1 KB）（已撤回）
[v3]
2026年10月25日星期日 05:15:07 UTC（2,127 KB）
来源：arXiv cs.AI · arxiv.org