ReTerm:让终端智能体从失败中自我改进
AI 总结
arXiv 于 10 月 13 日提交的论文提出 ReTerm,一个通过从自身失败任务中学习恢复能力来自我改进的终端智能体。作者构建了 ReTerm-10K 数据集,用于监督微调冷启动,并提出在线强化学习算法 ReTerm-GRPO,从智能体自身的失败状态分叉出多次独立的自恢复尝试,再根据这些尝试是否完成任务来学习。基于 Qwen3.5-9B 训练的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% 的 Pass@1,作者称比基座模型提高 14.6 分;论文还称该方法在多种错误类型上的恢复率均高于标准 GRPO 训练。作者表示代码、数据和模型均已发布。
深度见解
作者指出,终端智能体在长时间执行中常难以从命令错误或实现缺陷中恢复,最终导致任务失败,而 ReTerm 正是针对这一失效模式设计的训练方法。
Computer Science > Artificial Intelligence
arXiv:2610.18484 (cs)
[Submitted on 13 Oct 2026]
Title:ReTerm: Recovery Training for Self-Improving Terminal Agents
Authors:Wei Xie, Kaituo Feng, Shiming Fu, Yong Liu, Xiangyu Yue, Shuangjia Zheng
View a PDF of the paper titled ReTerm: Recovery Training for Self-Improving Terminal Agents, by Wei Xie and 5 other authors
#ReTerm#ReTerm-9B#ReTerm-GRPO#ReTerm-10K#Qwen3.5-9B#Terminal-Bench 2.0