مقاله‌ی arXiv:2610.18484 · در صف خبرنامه
ReTerm: Recovery Training for Self-Improving Terminal Agents
آموزش بازیابی از خطا برای ایجنت‌های ترمینال، با انشعاب از وضعیت‌های شکست خود ایجنت
- تاریخ
- (۲۱ مهر ۱۴۰۵) 2026-10-13 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Wei Xie, Kaituo Feng, Shiming Fu, Yong Liu, Xiangyu Yue, Shuangjia Zheng
- نهاد نویسنده‌ها
- Fudan University; MMLab, The Chinese University of Hong Kong; Shanghai Jiao Tong University
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های ترمینال در کارهای کدنویسی پیچیده توانا هستند، اما اغلب در اجرای طولانی نمی‌توانند از خطا بازیابی شوند، مثلاً از یک دستور غلط یا پیاده‌سازی معیوب، و در نهایت تسک شکست می‌خورد.
روش
ایجنت ReTerm با یادگرفتن بازیابی از تسک‌های ناموفق خودش بهتر می‌شود. یک خط لوله‌ی داده مجموعه‌ی ReTerm-10K را با نمونه‌های بازیابی مؤثر برای شروع با آموزش نظارت‌شده ساخت. الگوریتم یادگیری تقویتی آنلاین ReTerm-GRPO از وضعیت‌های شکست خود ایجنت انشعاب می‌گیرد و چند تلاش مستقل بازیابی تولید می‌کند، و ایجنت از موفق یا ناموفق بودن این تلاش‌ها یاد می‌گیرد.
یافته‌ها
- مدل ReTerm-9B بر پایه‌ی Qwen3.5-9B به نرخ موفقیت اولین تلاش ۳۴٫۸ درصد در Terminal-Bench ۲٫۰ رسید، ۱۴٫۶ امتیاز بالاتر از مدل پایه.
- در دسته‌های مختلف خطا، نرخ بازیابی پیوسته بالاتری از آموزش GRPO معمولی داشت.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ آزمایش‌ها روی یک مدل ۹ میلیاردی و Terminal-Bench انجام شده است.
چرا مهم است
بیشتر شکست‌های ایجنت در کارهای طولانی، از یک خطای کوچک شروع می‌شود که ایجنت نمی‌تواند از آن بیرون بیاید. این کار نشان می‌دهد آموزش مستقیم روی لحظه‌های شکست خود ایجنت، بازیابی را یاد می‌دهد.