把真实GitHub仓库转化为可执行终端轨迹！TerminalTraj入选ICML 2026

TerminalTraj团队 投稿
量子位 | 公众号 QbitAI

被ICML 2026接收为Spotlight！

至知创新研究院、曼彻斯特大学、Multimodal Art Projection Research Community等共同提出TerminalTraj——

一个面向终端智能体的大规模轨迹生成管道（pipeline）。

TerminalTraj从真实GitHub仓库出发，自动构建Docker化的可执行环境（Dockerized execution environments），生成与环境对齐的终端相关的任务（terminal tasks） ，并通过可执行的检验代码（executable validation code） 验证Agent是否真正完成任务。

最终，TerminalTraj构建了32K Docker镜像，并生成50733条已经验证了的终端轨迹，覆盖八类常见编程语言和八个特定的终端领域。

实验显示，使用TerminalTraj数据训练的Qwen2.5-Coder系列模型在TerminalBench 1.0和TerminalBench 2.0上获得稳定提升，并展现出更好的test-time scaling能力。

Terminal Agent缺的不是更多“文本数据”，而是能跑、能验的真实环境

CLI Agent正在从代码补全工具走向真实软件工程中的执行型智能体。

它们不仅要生成代码，还要在终端中安装依赖、运行测试、调试错误、修改配置、调用工具，并根据环境反馈持续修正行为。

当前很多Agent相关的数据构造方法可以生成大量任务描述和交互轨迹，但终端相关的任务有一个特殊难点：

任务是否完成，往往不能只靠文本判断。

例如，一个终端Agent可能需要安装依赖、修改配置文件、启动web service、处理CSV/JSON/Parquet数据、编译 C/C++项目，或者在QEMU中完成系统启动。

这些任务的成功与否，取决于真实文件系统状态、依赖解析、命令执行结果和工具调用副作用。

也就是说，终端Agent的训练轨迹必须同时满足两个要求：

第一，可执行性（Executability）。

任务必须处在一个真实可运行的环境中，Agent的操作需要能够被实际执行。

第二，可验证性（Verifiability）。

Agent的最终结果必须能被可执行验证逻辑检查，而不是只依赖LLM judge或规则启发式判断。

没有Docker环境，任务很难真实执行；没有可执行的验证，轨迹也很难保证真的解决了问题。

这也使得CLI/Terminal任务的训练数据构造构造面临一个核心瓶颈：

大规模、高质量、可执行、可验证的终端环境（terminal environments） 在开源生态中仍然非常稀缺。

这不仅限制了终端相关的Agent轨迹数据的构造，也限制了后续SFT、RL以及test-time scaling能力的提升。

为了解决这一问题，TerminalTraj应运而生。

TerminalTraj的核心目标，就是把大量真实开源仓库转化为可执行、可验证、可扩展的终端Agent训练数据。

TerminalTraj：把真实GitHub仓库转化为可执行终端轨迹

TerminalTraj的pipeline主要包含三个阶段。

首先，TerminalTraj从GitHub大规模收集真实开源仓库，覆盖Python、C++、C、Java、JavaScript、PHP、HTML和Go八种常见编程语言。

与普通训练语料不同，TerminalTraj更关注包含Dockerfile、build scripts、Markdown文档和shell scripts的仓库，因为这些内容不仅是静态代码，更是构建可执行环境和生成terminal tasks的关键线索。

其次，TerminalTraj将仓库的选择转化为基于模型的质量评分问题。真实GitHub仓库非常嘈杂，很多项目不完整、不可运行，或者Docker环境构建失败率很高。

为此，TerminalTraj训练了一个ScoreModel，根据代码文件的完整性、可执行性和工程质量对仓库进行打分，从而筛选出更适合构建Docker环境的高质量项目。

最终，TerminalTraj构建出32325个Docker镜像。

最后，TerminalTraj基于这些Docker环境生成 环境对齐的终端任务和可执行的验证代码。

这里的关键不只是让LLM生成一个任务描述，而是让任务与具体环境强绑定。

例如，任务可能要求Agent运行某个脚本、修复某个配置、生成指定输出文件、启动服务，或者处理特定输入数据。

Agent完成任务后，系统会在Docker环境中运行验证代码，检查最终文件、配置、输出或程序行为是否正确。

只有通过验证的轨迹，才会被保留下来作为训练数据。

这一步有效避免了一个常见问题：

Agent看起来完成了任务，但真实环境状态并没有被正确改变。

从90万仓库到5万条verified trajectories

TerminalTraj的数据构建规模如下：

• 收集899,741个GitHub仓库；
• 收集2,010,113个代码文件；
• 构建32,325个Docker镜像；
• 生成超过1M个任务实例；
• 最终保留50,733条验证通过的终端轨迹。

这些verified trajectories不仅覆盖general programming tasks，也覆盖八类特定的终端领域（specialized terminal domains）。

包括环境交互（Environment Interaction）、多模态（Multimodal）、安全（Security）、数据处理（Data Processing）、模型训练和评估（Model Training&Evaluation）、SQL数据库（SQL）、网页服务（Web Service）和QEMU相关的任务 （QEMU-related tasks）。

这说明TerminalTraj并不是在生成简单的代码执行任务，而是在构建更接近真实terminal工作流的多样化训练数据。

真实终端任务往往涉及服务启动、端口检查、系统配置、数据处理、多模态输入、安全分析和模拟器操作等复杂场景。只有覆盖足够多样的Docker化的环境，模型才能学到更稳健的Agent行为。

实验：TerminalTraj显著提升TerminalBench表现

为了验证数据有效性，论文使用TerminalTraj数据对Qwen2.5-Coder系列模型进行多轮SFT微调，并在TerminalBench 1.0和TerminalBench 2.0上评估。

结果显示，TerminalTraj在7B、14B和32B三个规模上都带来稳定提升：

• Qwen2.5-Coder-7B基座在TB 1.0/TB 2.0上为6.25/0.00；TerminalTraj-7B提升到23.01/10.10。
• Qwen2.5-Coder-14B基座为6.25/1.18；TerminalTraj-14B提升到28.91/19.10。
• Qwen2.5-Coder-32B基座为5.00/4.49；TerminalTraj-32B提升到35.30/22.00。

也就是说，TerminalTraj让Qwen2.5-Coder基座在TB 1.0上获得超过20个点的绝对提升，在TB 2.0上获得超过10个点的绝对提升。

更重要的是，TerminalTraj-32B不仅超过了多个30B级别的开源模型，还达到了接近Qwen3-Coder-480B的表现。

这说明高质量基于可执行环境的轨迹（execution-grounded trajectories） 可以显著提升小规模模型的终端Agent能力。

TerminalTraj不只是提升准确率，也改善test-time scaling

终端Agent在真实任务中经常依赖多次尝试和自我修正。

因此，除了单次成功率，test-time scaling也非常重要：

当采样数量增加时，模型是否能更有效地把额外推理计算转化为更高成功率？

论文在TerminalBench 1.0上评估pass@k，k从1增加到16。

结果显示，原始Qwen2.5-Coder基座的pass@k曲线较平，尤其是7B模型，即使增加采样次数，收益也有限。

这说明当模型缺少终端交互能力时，简单多采样并不能显著解决问题。

相比之下，TerminalTraj系列模型展现出更强、更稳定的test-time scaling。

随着k从1增加到16，TerminalTraj模型的pass@k持续提升。

TerminalTraj-32B的pass@16达到约63%，并且在多数设置下超过了更大的Qwen3-Coder-480B。

这说明TerminalTraj学到的不只是某些固定任务的解法，而是更通用的终端问题解决行为：

观察环境、执行命令、解释反馈、自我修正，并在多次尝试中找到可行路径。

为什么executable verification很重要？

一个自然问题是：

为什么一定要用代码验证？能不能让LLM judge判断轨迹是否成功？

论文比较了两种轨迹筛选方式：

• LLM-verified：让GPT-5.1判断轨迹是否成功；
• Code-verified：只保留通过可执行验证代码（executable validation code）的轨迹。

结果显示，在1K、2K、4K和8K不同训练规模下，使用Code-verified轨迹训练的模型都稳定优于LLM-verified轨迹。

尤其在数据规模较小时，code-based verification的优势更加明显。

这说明终端轨迹的质量不能只靠“看起来合理”。

很多终端任务的成功标准隐藏在环境状态里，例如某个文件是否真的生成、某个服务是否真的启动、某个配置是否真的生效。

只有执行验证代码，才能过滤掉“表面成功但实际失败”的轨迹。

对于终端Agent训练来说，基于代码的验证本身就是数据质量的核心组成部分。

此外，团队进一步持续扩展 Code-verified轨迹的数据规模，并观察到即使训练数据增加到全集规模时，模型性能依然保持稳定提升。

这表明TerminalTraj构造的数据不仅具有较高质量，还具备良好的扩展潜力，能够持续为终端Agent能力提升提供有效监督信号。

规模不是唯一关键，可执行的环境更重要

与现有规模接近的数据集Nex-N1相比，TerminalTraj使用更少的轨迹和更弱的基座模型，却带来了更大的TerminalBench提升。

在TB 1.0和TB 2.0上，TerminalTraj相比基座的提升幅度分别达到Nex-N1对应提升的1.7倍和1.3倍。

这说明终端Agent数据构造的关键不只是“生成更多轨迹”，而是轨迹是否来自真实可执行环境，是否经过可执行验证，是否覆盖多样化工具与环境依赖。

同样，SETA证明了多样化Docker化的环境可以改善test-time scaling，但其环境规模有限。

TerminalTraj将这一方向扩展到32K Docker化的环境，并通过自动化管道生成大规模环境对齐的轨迹，从而进一步释放模型的test-time scaling潜力。

小结一下

TerminalTraj的意义不只是构建了一个更大的终端轨迹数据集，而是提出了一条面向生产级CLI Agent训练的可扩展路径。

随着Claude Code、Codex等CLI Agent逐渐进入真实开发、调试、部署和运维流程，模型需要具备的不再只是代码生成能力，而是在真实终端环境中执行命令、理解反馈、修复错误并完成任务的终端问题解决得能力。

TerminalTraj表明，提升终端Agent能力的关键，不只是让模型读取更多代码文本，而是让模型进入真实可执行环境，在任务中尝试、失败、修正，并从可验证的交互轨迹中学习。

通过32K Docker化的环境和50,733条code-verified轨迹，TerminalTraj为这一方向提供了大规模、可执行、可验证的数据基础。

更重要的是，它揭示了终端Agent训练的核心瓶颈正在从“有没有足够多的代码”转向“有没有足够真实、可执行、可验证的环境与轨迹”。

论文由吴思为、李一之、宋宇阳共同一作完成，通讯作者为Bryan Dai和林成华。

项目由曼彻斯特大学、IQuest Research、Multimodal Art Projection Research Community、四川大学和北京航空航天大学联合完成。

arXiv论文： http://arxiv.org/abs/2602.01244
GitHub开源代码： https://github.com/multimodal-art-projection/TerminalTraj

注：至知创新研究院（IQuest Research）立足人工智能前沿，是由深厚产业智慧驱动的新型科研组织，核心破解尖端研究与规模化产业落地的产学研难题。

IQuest以原创性底层算法与下一代AI架构攻坚为基石，聚焦前沿技术突破、高复杂度场景落地、全球产学研生态协同三大核心目标。

IQuest以产业一线核心瓶颈锚定研究方向，为顶尖科研人才提供纯粹的探索环境。同时，IQuest深耕AI+科学计算、前沿科技等核心垂直领域，以卓越的学术能力与极致的工程精神，深耕技术本源，释放 AI 全维度深层价值。