TerminalHorizon 从专业任务出发，用未参与构建的 Agent 实际求解，检查环境是否提前完成了分析、实现或验证，再据此重建。第二阶段沿同一目标添加依赖先前结果的新要求。作者构建1535个环境、筛出2852条轨迹，平均52.8轮；在Qwen3.5-27B上做SFT后，Terminal-Bench 2.1从46.82升到60.67，增加13.85个百分点。十二项测试均有自报收益，十二小时科研案例则是有界任务，不能据此称为无限自我改进。
持续追踪
持续追踪
TerminalHorizon 从专业任务出发，用未参与构建的 Agent 实际求解，检查环境是否提前完成了分析、实现或验证，再据此重建。第二阶段沿同一目标添加依赖先前结果的新要求。作者构建1535个环境、筛出2852条轨迹，平均52.8轮；在Qwen3.5-27B上做SFT后，Terminal-Bench 2.1从46.82升到60.67，增加13.85个百分点。十二项测试均有自报收益，十二小时科研案例则是有界任务，不能据此称为无限自我改进。