10 月 9 日提交到 arXiv 的 TerminalHorizon（编号 2610.13166）盯着一个训练数据层面的隐性浪费：今天我们给智能体合成环境，往往在构造阶段就把探索、实现、验证这些「关键工作」顺手做掉了，智能体进场时只剩执行动作可学。论文的主张很直接——短轨迹能演示「发什么命令、调什么工具」，演示不了「怎么攒证据、怎么按反馈改策略、怎么把中间结果变成最终交付」。
这个判断来自对终端智能体场景的观察。所谓终端智能体，是在命令行环境里自主完成真实职业工作的那一类：查日志、改配置、跑脚本、定位报错，一次任务动辄数百步。已有的数据合成思路大致是「把环境造干净、把任务描述写清楚」，问题是环境一旦被造得过于完备，智能体该练的那套「摸清状况—形成判断—动手验证—根据反馈调整」反而被提前省略了。
引擎怎么把「该走的路」还回去
TerminalHorizon 的做法分两步，都围绕一个动作展开：独立执行。合成引擎先从真实职业工作出发，自己把任务完整跑一遍，借此找出「构造阶段被省略掉的关键工作」——哪些信息本来需要智能体自己翻找、哪些验证本来需要它自己设计、哪些坑本来需要它自己踩。这些被省略项随后成为环境重建的证据：引擎按证据把环境补回去，而不是按想象补回去。
第二步是同目标渐进扩展。在同一个目标下不断增加新要求，且新要求建立在已有结果之上，逼着智能体在旧产出上继续探索、继续改进。这一步对应的正是论文对长程能力的定义：不是单点命令记得熟，而是在一个完整的问题求解过程里持续工作。
值得强调的是，整条流水线是全自动的。这一点决定了它的野心，也决定了它的风险——引擎里任何一个环节的判断出错，都会被放大到整个数据集。
产出与两路验证
用这台引擎，论文构造了 1.5K 个任务环境，并在其上监督微调 Qwen3.5-27B，得到 TerminalHorizon-27B。基准面上，12 项测试全部取得实质提升，覆盖三类任务：编码智能体任务、真实生产环境中的智能体任务，以及通用推理。案例面上，论文做了多个带 12 小时研究预算的案例研究，观察到的行为是：模型在给出初始方案之后，仍能继续实验、根据反馈改进方法，并把有效的改进保留进最终交付。
这两路证据的性质完全不同，读法也该不同。基准分是统计意义上的能力提升；案例研究是展示性的——它说明「持续自我改进」这件事在受控条件下出现了，但不等于可复现的自主性水平。摘要没有给逐项基准的具体倍数，「全部提升」是总量表述。
它对赛道意味着什么
如果把过去一年的智能体训练数据工作连起来看，会发现重心在迁移：从「收集更多人类演示」到「合成更多环境」，再到 TerminalHorizon 提出的「合成时必须保住探索的必要性」。前两步解决的是数据量，第三步解决的是数据质地。
这个视角对正在自建训练数据的团队有直接用处。一个可操作的自检问题是：你们的环境里，智能体还需要「自己发现该做什么」吗？如果所有子目标都在任务描述里写明了，所有验证手段都预制在环境里，那么采集到的轨迹再多，也只是在执行，不在求解。
几处需要保留的怀疑
引擎的质量风险是结构性的：它用「独立执行」定义「关键工作」，那么这个执行的参照系从哪来、覆盖多广，直接决定数据的天花板。论文摘要未披露引擎的判定规则细节、环境多样性控制手段，以及 1.5K 环境的任务分布。此外，监督微调这条路径本身有边界——它学的是「像专家一样工作」，而 12 小时案例里展现的「继续实验、按反馈改方法」，有多少来自数据、多少来自模型基座能力，论文没有拆分。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。对这家团队后续是否放出引擎代码与数据卡，值得持续关注——那才是判断这条路可复现性的真正起点。