مقاله‌ی arXiv:2610.14163 · نگه‌داشته برای بعد
AutoEnvScaling: Automating the Data Flywheel with Terminal Agents
خودکارسازی چرخه‌ی داده با ایجنت‌های ترمینال: ایجنتی که محیط آموزشی برای خودش می‌سازد
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Simon Yu, Baolin Peng, Bo Liu, Zhengyan Shi, Zhaoyang Wang, Hao Cheng, Qianhui Wu, Wenlin Yao, Natasha Jaques, Weiyan Shi, Jianfeng Gao
- نهاد نویسنده‌ها
- Northeastern University; Microsoft; Stanford University; University of Washington; University of North Carolina at Chapel Hill
- برچسب لابراتوار
خلاصه‌ی فارسی
مسئله
ایجنت‌های ترمینال تسک‌های مهندسی نرم‌افزار و پژوهش علمی را با اجرای دستور در ترمینال حل می‌کنند. آموزششان با یادگیری تقویتی به محیط‌های متنوع و قابل تأیید نیاز دارد، اما این محیط‌ها هنوز بیشتر به دست پژوهشگران انسانی طراحی می‌شوند و عرضه‌شان فقط به سرعت کار آن‌ها رشد می‌کند.
روش
روش AutoEnvScaling طراحی محیط را یک تسک ترمینال می‌بیند: یک ایجنت پیشنهاددهنده در یک سندباکس با هارنس کدنویسی، محیط‌های یادگیری تقویتی تازه را از روی اجراهای حل‌کننده‌ی در حال آموزش می‌سازد و تأیید می‌کند، و اجراهای تازه‌ی حل‌کننده دور بعد را هدایت می‌کنند. چون هم ساخت محیط و هم حل تسک ترمینالی‌اند، یک مدل می‌تواند در هر دو نقش هم‌تکامل یابد.
یافته‌ها
- نرخ محیط معتبر را تا ۲۵ برابر نسبت به تولید فقط با پرامپت بالا برد، با تا ۷۵ درصد هزینه‌ی کمتر برای هر محیط معتبر.
- آموزش Qwen3.5-35B-A3B روی محیط‌های ساخته‌شده با GPT-5.6-sol امتیاز Terminal-Bench ۲٫۱ را ۴٫۳ امتیاز بالاتر از پایه‌ی هم‌تراز برد.
- مدل Qwen3.6-35B-A3B در هر دو نقش، ۱۲٫۲ امتیاز در Terminal-Bench ۲٫۱ بهتر شد و امتیاز Terminal-Bench ۴٫۰ را از ۱٫۶ به ۳٫۲ رساند؛ خط لوله برای مهندسی نرم‌افزار، کار با کامپیوتر، کار حرفه‌ای و برنامه‌نویسی کرنل GPU هم محیط ساخت.
محدودیت‌ها
نویسنده‌ها می‌گویند آزمایش‌ها خودبهبودی را در اجراهای آموزشی ارزیابی‌شده نشان می‌دهند ولی ثابت نمی‌کنند با آموزش طولانی‌تر ادامه یابد، کارایی روی Terminal-Bench ۴٫۰ هنوز پایین است، و پاس شدن تأیید تضمین نمی‌کند محیط درست باشد.
چرا مهم است
کمبود محیط آموزشی یکی از گلوگاه‌های اصلی آموزش ایجنت‌هاست. این کار نشان می‌دهد ایجنت می‌تواند محیط آموزشی خودش را بسازد، قدمی ملموس به سمت خودبهبودی بازگشتی.