論文の概要: SETA: Scaling Environments for Terminal Agents

• arxiv url: http://arxiv.org/abs/2607.10891v1
• Date: Sun, 12 Jul 2026 19:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.560607
• Title: SETA: Scaling Environments for Terminal Agents
• Title（参考訳）: SETA:端末エージェントのスケーリング環境
• Abstract要約: 強化学習のための検証可能な端末環境を生成するためのスケーラブルなフレームワークであるSETAを提案する。 SETA-Envは、これまでで最大4500以上の環境を含む、オープンソースの検証可能な端末RLデータセットです。
• 参考スコア（独自算出の注目度）: 49.686781072283814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are rapidly shifting toward agents that solve tasks through diverse interfaces, including web and graphical user interfaces (GUIs). Among these, the terminal command line provides a text-based, general-purpose interface, covering tasks from system operations to data science and machine learning. However, scaling terminal-agent training remains challenging, as it requires diverse and coherent task instructions, executable environments, and reliable verification, while lacking naturally grounded supervision data. In this work, we propose SETA, a scalable framework for generating verifiable terminal environments for reinforcement learning (RL). The framework consists of two pipelines sharing a unified verification mechanism: SETA-Synth converts diverse sources into standardized RL environments, and SETA-Evol further expands from existing environments with adaptive control of difficulty and diversity. Together, we construct and release SETA-Env, the largest open-source verifiable terminal RL dataset to date, containing over 4,500 environments. We evaluate our dataset by training Qwen3-8B with GRPO on SETA-Env, achieving 12% pass rate on Terminal-Bench 2.0, the best reported result for an RL-trained model at the 8B scale. We further observe gains on DeepSeek-V4-Flash under the same terminal agent harness, with pass@1 on Terminal-Bench 2.0 improving from 40% to 43% and pass@5 improving from 54% to 58%. These results demonstrate that SETA- Env provides high-quality training environments for terminal agents and serves as a valuable resource for advancing research on terminal-based agent learning.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、Webやグラフィカルユーザインターフェース(GUI)など、さまざまなインターフェースを通じてタスクを解決するエージェントへと急速にシフトしている。 このうち、端末のコマンドラインはテキストベースの汎用インターフェースを提供し、システム操作からデータサイエンス、機械学習までタスクをカバーしている。 しかし、多様で一貫性のあるタスク命令、実行環境、信頼性のある検証が必要であり、自然に根拠付けられた監視データが欠如しているため、ターミナルエージェントトレーニングのスケーリングは依然として困難である。 本研究では、強化学習(RL)のための検証可能な端末環境を生成するためのスケーラブルなフレームワークであるSETAを提案する。 SETA-Synthは様々なソースを標準化されたRL環境に変換し、SETA-Evolは困難と多様性を適応的に制御して既存の環境からさらに拡張する。 SETA-Envは,4500以上の環境を含む,これまでで最大のオープンソースの検証可能な端末RLデータセットである。 SETA-Env 上で GRPO を用いて Qwen3-8B をトレーニングし,端末-ベンチ2.0 のパスレート 12% を達成した。 我々は、同じ端末エージェントハーネスの下でDeepSeek-V4-Flashの利益をさらに観察し、terminal-Bench 2.0のpass@1は40%から43%、pass@5は54%から58%に改善した。 これらの結果から, SETA-Envは, 端末エージェントに高品質な学習環境を提供し, 端末エージェント学習研究を進める上で貴重な資源であることがわかった。

関連論文リスト

• LiteCoder-Terminal: Scaling Long-Horizon Terminal Environments for Learning Language Agents [74.07551833809536]
  ドメイン仕様から直接端末トレーニング環境を生成するゼロ依存パイプラインである LiteCoder-Terminal-Gen を紹介する。 このフレームワークを用いて,10ドメインにわたる11,255のエキスパートトラジェクトリからなるLiteCoder-Terminal-SFTと,トラジェクトリレベルの優先度最適化のための602の検証可能な環境を備えたLiteCoder-Terminal-RLという2つの大規模リソースを構築した。
  論文  参考訳（メタデータ） (2026-05-28T08:11:57Z)
• Terminal-World: Scaling Terminal-Agent Environments via Agent Skills [52.39713754337834]
  エージェントスキルを中心的な合成プリミティブとして利用する完全自動化パイプラインである Terminal-World を紹介する。 我々は,5,723のトレーニング環境を構築し,端末-ワールド-8B/14B/32Bを6つのベンチマークで評価した。 Terminal-World-32B は Terminal-Bench 2.0 で Nemotron-Terminal-32B を +4.5 Pass@1 (31.5) で上回り、43.8 Pass@3 に達する。
  論文  参考訳（メタデータ） (2026-05-20T08:14:51Z)
• On Data Engineering for Scaling LLM Terminal Capabilities [62.14352406328365]
  最先端の端末エージェントの背後にあるトレーニングデータ戦略はほとんど公表されていない。 端末エージェントのデータエンジニアリングプラクティスの体系的研究を通じて,このギャップに対処する。 当社のパイプラインは,端末タスク用の大規模オープンソースデータセットである Terminal-Corpus を生成する。
  論文  参考訳（メタデータ） (2026-02-24T18:51:04Z)
• Endless Terminals: Scaling RL Environments for Terminal Agents [39.60665149203152]
  Endless Terminalsは、人間のアノテーションを使わずに端末用タスクを手続き的に生成する、完全に自律的なパイプラインである。 我々は、バイナリエピソードレベルの報酬と最小の相互作用ループを持つバニラPPOを使用してエージェントを訓練する。 これらの改善は人為的なベンチマークに移行する。
  論文  参考訳（メタデータ） (2026-01-23T04:39:55Z)
• Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation [65.3648667980258]
  視覚言語モデル(VLM)に基づくGUIエージェントは複雑なタスクの自動化を約束するが、強化学習(RL)の適用において大きな課題に直面している。 異種モジュールを高度に非結合的に協調するGUIエージェントのための非結合エージェントRLトレーニングフレームワークであるDARTを提案する。 OSWorldのベンチマークでは、DART-GUI-7Bは42.13%のタスク成功率、14.61%の絶対ゲイン、オープンソースSOTAよりも7.34%高い。
  論文  参考訳（メタデータ） (2025-09-28T13:19:20Z)
• UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning [155.51875080423883]
  グラフィカルユーザインタフェースのための自律エージェントの開発は、人工知能における大きな課題を示している。 本稿では,GUI中心のエージェントモデルであるUI-TARS-2を提案する。 実証的な評価では、UI-TARS-2は以前のUI-TARS-1.5よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-02T17:44:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。