T1 强化学习训练终端 Agent:Terminal-Bench 2.1 通过率 43.8% 升至 64.0%
heghbalz · x · 2026-09-11
研究者发布 T1,一个 122B 总参数、10B 激活的 MoE 模型,通过强化学习训练它在云端沙箱里操作真实终端,单任务可持续 300+ 轮工具调用。
核心结果
- Terminal-Bench 2.1:base 43.8% → SFT 49.4% → RL 后 T1 64.0%,后训练相对提升 46.1%
- Long-Horizon Terminal-Bench 达 27.9%,超过 GLM-5.1 等模型
训练配方要点
- 用 PPO 在 15K 条经审计的任务上训练,采用逐断言验证的密集过程奖励,让「失败任务中的部分进展」也能获得信用
- 热启动 critic 稳定 actor-critic 训练;TITO 构造与 rollout routing replay 在训练时保留采样的 token 与专家路由,把训练-推理 log 概率差从 0.021 降到 0.013
- 训练语料与 Terminal-Bench 2.1 完全不相交,证明提升来自真实能力迁移而非过拟合
论文、项目页与数据集已在 Hugging Face 开放。作者指出这与 DeepSeek-V4.1 的观察一致:更好的数据与环境管线能在既有 RL 方法上释放大幅收益。
所属事件:腾讯混元发布 T1：RL 训练终端 Agent(2 条相关)→
「编程与Agent」频道最新
- Nitrosend 让 Grok Bot 自主接管邮件营销:一条 SKILL.md 全自动配置 — nikvassev · 2026-10-28
- Claude Opus 5.5 从二进制重建 SQLite 等程序,ProgramBench 得分 18.5% — winer666 · 2026-10-28
- Pichai 自述用内部 Agent 汇报训练进展与算力遥测 — rohanpaul_ai · 2026-10-28
- Amazon 重写 SDE 角色指南：定义「文艺复兴开发者」时代 — prdeepakbabu · 2026-10-28
- 社区插件 Kinocut 让 Hermes Agent 本地剪辑视频，无需 API key — alexcovo_eth · 2026-10-28
- 不开向量检索也能拿 86.67%,开源记忆层 Mind 挑战 embedding 必要性 — GabrielMartinMoran · 2026-10-28