論文の概要: ReTerm: Recovery Training for Self-Improving Terminal Agents

• arxiv url: http://arxiv.org/abs/2610.18484v2
• Date: Wed, 14 Oct 2026 16:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.946881
• Title: ReTerm: Recovery Training for Self-Improving Terminal Agents
• Title（参考訳）: 用語:自己改善型ターミナルエージェントの回復訓練
• Abstract要約: ターミナルエージェントは、長時間実行中のエラーから回復するのに苦労することが多い。 本稿では,自己改善型端末エージェントReTermを紹介する。
• 参考スコア（独自算出の注目度）: 24.98137444579068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terminal agents have shown strong abilities in complex coding tasks. However, they often struggle to recover from errors during long-running execution (e.g., command errors, faulty implementations), eventually leading to task failures. To this end, we present ReTerm, a self-improving terminal agent trained by learning how to recover from its own failed terminal tasks. To support its training, we construct a customized data pipeline and produce ReTerm-10K, a high-quality dataset that provides effective recovery demonstrations for SFT cold start. Furthermore, we propose ReTerm-GRPO, an online RL algorithm that forks from the agent's own failure states to generate multiple independent self-recovery attempts. By learning from whether these attempts successfully complete the task, the agent self-improves through its own recovery experience. Built on Qwen3.5-9B, our ReTerm-9B achieves 34.8% Pass@1 on Terminal-Bench 2.0, improving over the base model by 14.6 points. Further analysis shows that our method achieves consistently higher recovery rates across diverse error categories compared with standard GRPO training. All code, data and model are released at https://github.com/twothsnd/ReTerm.
• Abstract（参考訳）: ターミナルエージェントは複雑なコーディングタスクにおいて強力な能力を示している。 しかし、長時間実行中のエラー(例えば、コマンドエラー、欠陥実装)から回復するのに苦労することが多く、最終的にはタスクの失敗に繋がる。 この目的のために,自己改善端末エージェントであるReTermを提案する。 トレーニングを支援するために、カスタマイズしたデータパイプラインを構築し、高品質なデータセットであるReTerm-10Kを作成し、SFTコールドスタートに効果的なリカバリデモを提供する。 さらに、エージェント自身の障害状態からフォークして複数の独立自己回復試行を生成するオンラインRLアルゴリズムReTerm-GRPOを提案する。 これらの試みがタスクを完了したかどうかを学習することで、エージェントは自身のリカバリ経験を通じて自己改善を行う。 Qwen3.5-9B上に構築されたReTerm-9Bは、Terminal-Bench 2.0上で34.8%のPass@1を獲得し、ベースモデルよりも14.6ポイント向上した。 さらに分析したところ,本手法は標準のGRPOトレーニングと比較して,多様なエラーカテゴリ間の回復率を一定に向上することがわかった。 すべてのコード、データ、モデルはhttps://github.com/twothsnd/ReTermでリリースされる。

関連論文リスト

• FC-SWE: Failure-Conditioned RL for Long-Horizon Software Engineering Agents [33.62846918344099]
  リポジトリレベルのソフトウェアエンジニアリング(SWE)は、難しい長期的設定です。 最近のSWEエージェントは、グループ相対的政策最適化のような強化学習手法で訓練されている。 本稿では,リカバリの試みを政策訓練に取り入れた,障害条件付きRLフレームワークFC-SWEを紹介する。
  論文  参考訳（メタデータ） (2026-10-06T07:44:12Z)
• When Terminal-Agent Training Stalls: Demystifying Data Generation and Verification Challenge [37.88805760346003]
  Dockerイメージと実行可能なテストスイートは、ターミナルエージェントのトレーニングに忠実なエンドツーエンドパイプラインを保証するものではない。 このギャップによって動機付けられたメタエージェントパイプラインを,ベンチマークの無効性,脆さの活用,報酬の誤調整という,3種類の障害を診断する。
  論文  参考訳（メタデータ） (2026-10-01T19:32:44Z)
• ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use Agents [9.426759720914623]
  ParaRecoverは、マルチターン並列ツール使用エージェントのエラーローカライゼーションとリカバリを評価するための、プロセスレベルのベンチマークである。 計画依存関係、ツールの選択、引数マッチングを含む14のエラータイプの詳細な分類に基づいて、ベンチマークは2つの困難レベルにまたがる10,626のインスタンスで構成されている。 実験によると、最先端のモデルでさえも、マルチターンエラーの伝播、ツール使用障害の簡易化、正確な再計画に苦戦している。
  論文  参考訳（メタデータ） (2026-09-11T02:09:33Z)
• FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
  FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。 FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
  論文  参考訳（メタデータ） (2026-08-09T08:22:57Z)
• Recursive Synthesis for Long-Horizon Terminal Tasks [50.39352383646813]
  Recursive Synthetic Terminal Tasks (RST) は、大規模に長期の端末エージェントタスクを構築するためのフレームワークである。 RSTは37,484個の合成端末エージェントタスクを1タスクあたり0.05ドルで生成する。 軌道の微調整により、Qwen3.5-27BとQwen3.5-122B-A10Bはターミナルベンチ2、ターミナルベンチハード、ロングホライゾンターミナルベンチで最大10ポイント改善される。
  論文  参考訳（メタデータ） (2026-08-05T23:24:26Z)
• Tmax: A simple recipe for terminal agents [61.38802510209322]
  我々は,これまでで最強のオープンなRLレシピであるTmaxを提示する。 提案手法はターミナルベンチ2.0において,9Bパラメータしか持たない27%を達成し,従来よりはるかに大きなモデルよりも優れていた。 我々は、以前リリースされた端末エージェントデータセットの2.5倍以上の大きさの端末データセットをオープンソース化した。
  論文  参考訳（メタデータ） (2026-06-22T13:32:52Z)
• TermiGen: High-Fidelity Environment and Robust Trajectory Synthesis for Terminal Agents [70.68963723787424]
  TermiGenは検証可能な環境とレジリエントな専門家軌道を合成するためのエンドツーエンドパイプラインである。 TermiGen-Qwen2.5-Coder-32B は TerminalBench 上で 31.3% のパスレートを達成した。
  論文  参考訳（メタデータ） (2026-02-06T23:56:50Z)

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。