在人工智能领域，终端代理正逐渐成为技术发展的焦点。这类AI不仅能编写代码、管理文件，还能在命令行环境中执行复杂任务。然而，尽管市场需求旺盛，学术界在训练这类模型方面却长期面临挑战——缺乏高质量数据、训练流程不稳定、评估标准缺失等问题，让高校和独立研究者难以与大公司竞争。如今，华盛顿大学与艾伦人工智能研究所联合推出了一套名为TMAX的解决方案，试图打破这一僵局。
研究团队的核心思路是：通过构建大规模、高难度的训练环境，结合优化的强化学习方法，将小型模型训练成终端任务高手。实验结果显示，一个仅有90亿参数的模型在权威基准测试Terminal-Bench 2.0上取得了27%的得分，不仅超越了所有同等规模的开源模型，甚至击败了参数量达320亿的多个前辈模型。这一成果的代码、数据和模型已全部公开，供全球研究者复现和改进。
终端代理的训练难度远超普通聊天机器人。普通AI的交互是单轮的——用户提问，模型回答；而终端代理需要处理多轮交互，例如根据命令执行结果调整策略、管理多个程序、处理不同文件格式，甚至在出错时自行修复。这种“边走边看边调整”的模式对强化学习提出了极高要求：训练数据需覆盖真实场景的复杂性，训练过程需保持长期稳定性，基础设施需支持高资源消耗的虚拟环境。
为解决数据问题，研究团队构建了TMAX-15K数据集，包含14600个可运行的终端任务环境。每个任务不仅提供题目描述，还配备独立的Docker容器、自动化检测程序和可能的文件素材。数据集通过九维度组合系统生成，涵盖系统管理、安全、数据处理等九个领域，支持Python、C、Bash等八种编程语言，任务复杂度从短命令到需执行六十条指令的极复杂任务不等。验证方式也经过精心设计，除精确文本匹配外，还包括指标阈值、对抗语料库、模糊等价等五种方法，确保任务难度适中且分布均衡。
训练算法采用DPPO（散度近端策略优化），这是对传统GRPO算法的改进。DPPO通过监测训练与推理状态的偏差，在偏差过大时自动屏蔽部分信号，从而减少训练崩溃风险。研究还发现，强制模型最后一层输出层使用高精度计算、将组大小设为32（即每道题同时生成32条候选轨迹），能显著提升训练稳定性。基础设施方面，团队基于开源框架搭建，使用H100集群训练，每次完整训练需2至3天。
实验表明，TMAX-15K训练出的模型在多个基准测试中表现优异。在Terminal-Bench Lite上，其得分比排名第二的数据集高出4.2分；在更难的Terminal-Bench 2.1上，优势扩大至3.3分。训练过程中，模型始终保持较高的平均操作步数，且每回合生成的文字长度随训练推进稳步增长，显示其学会了用更复杂的策略解决问题。横向对比中，TMAX-9B的表现接近闭源商业模型Claude Haiku 4.5，而参数量仅为后者的三分之一。
为验证模型是否仅“死记硬背”，研究团队设计了三组泛化实验。在任务泛化测试中，TMAX-9B在软件工程bug修复和数学竞赛题上的得分分别提升9.5和17.8个百分点；在工具泛化测试中，模型在四种不同接口下的表现均优于基础模型；在模型家族泛化测试中，同一训练方案应用于Qwen 3 8B后，得分提升超10个百分点。这些结果证明，训练带来的是通用能力提升，而非对特定任务或工具的适应。
研究也揭示了当前方法的局限。数据生成完全依赖合成数据，无法确定模型是否真正超越了生成数据所用的前沿模型；训练过程仍易崩溃，限制了训练步数；评测接口和上下文长度较简单，与业界顶尖产品存在差距。尽管如此，这项研究为学术界提供了一套完整的、可复现的训练“菜谱”，其数据生成方法、稳定性技巧和细节选择，为后续研究奠定了坚实基础。对终端代理领域感兴趣的读者，可通过arXiv编号2606.23321查阅完整论文，或访问GitHub项目hamishivi/tmax获取所有资源。
