arXiv cs.AI· Wei Xie, Kaituo Feng, Shiming Fu, Yong Liu, Xiangyu Yue, Shuangjia Zheng·· 3 天前AI 评分36
ReTerm：面向自我改进终端智能体的恢复训练
ReTerm: Recovery Training for Self-Improving Terminal Agents
AI 导读
基于 Qwen3.5-9B 训练的终端智能体 ReTerm-9B 在 Terminal-Bench 2.0 上达到 34.8% Pass@1，较基座模型提升 14.6 分。研究团队构建 ReTerm-10K 数据集用于 SFT 冷启动，并提出在线 RL 算法 ReTerm-GRPO，从智能体自身失败状态分叉生成多次独立自我恢复尝试，依据任务是否完成进行学习。代码、数据与模型均已开源。
正文 · AI 翻译
摘要：终端智能体在复杂编码任务中展现出强大的能力。然而，它们在长时间运行执行过程中往往难以从错误中恢复（例如命令错误、实现缺陷），最终导致任务失败。为此，我们提出了 ReTerm，一个通过从自身失败的终端任务中学习如何恢复而训练出的自我改进终端智能体。为支持其训练，我们构建了定制化的数据流水线，并生成了 ReTerm-10K，这是一个为 SFT 冷启动提供有效恢复演示的高质量数据集。此外，我们提出了 ReTerm-GRPO，一种在线 RL 算法，它从智能体自身的失败状态分叉，生成多个独立的自我恢复尝试。通过从这些尝试是否成功完成任务中学习，智能体借助自身的恢复经验实现自我改进。基于 Qwen3.5-9B，我们的 ReTerm-9B 在 Terminal-Bench 2.0 上达到 34.8% 的 Pass@1，相比基础模型提升了 14.6 个百分点。进一步分析表明，与标准 GRPO 训练相比，我们的方法在不同错误类别上均实现了持续更高的恢复率。所有代码、数据和模型均已发布在 此 https URL。
| 评论： | 项目页面：此 https URL |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；软件工程（cs.SE） |
| 引用为： | arXiv:2610.18484 [cs.AI] |
| （或 arXiv:2610.18484v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18484 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kaituo Feng [查看邮箱]
[v1]
2026年10月13日星期二 14:44:24 UTC（2,091 KB）
来源：arXiv cs.AI · arxiv.org