PAPERDAILY REPORTS

腾讯T1终端智能体硬刚GPT-5.4，300多步工具调用不掉链

2026-09-11 作者：arXivDaily编辑部 arXiv 2609.11042 cs · cs.AI · cs.LG

论文导读

腾讯Hy基础模型前沿团队、新加坡国立大学等机构提出T1，让122B混合专家模型在真实云端终端里连续调用工具300多步。它在Terminal-Bench 2.1上解决64.0%的任务，同一测试框架下高于GPT-5.4的54.8%；测试在隔离沙箱完成，不能直接等同于生产系统自治能力。

论文信息 arXiv 2609.11042

T1: Terminal Agent Reinforcement Learning for Long-Horizon Tasks

T1：面向长时程任务的终端智能体强化学习

作者 Junyao Yang, Yucheng Shi, Zhongzhi Li, Ruhan Wang, Zongxia Li, Haitao Mi, Leowei Liang

发表机构腾讯Hy基础模型前沿; 新加坡国立大学; 佐治亚大学; 印第安纳大学; 马里兰大学帕克分校

展开完整论文资料

作者: Junyao Yang, Yucheng Shi, Zhongzhi Li, Ruhan Wang, Zongxia Li, Haitao Mi, Leowei Liang
机构: 腾讯Hy基础模型前沿; 新加坡国立大学; 佐治亚大学; 印第安纳大学; 马里兰大学帕克分校Tencent Hy Foundation Model Frontier; National University of Singapore; University of Georgia; Indiana University; University of Maryland, College Park
Comments: 37 pages, 18 figures
AI 总结: T1通过强化学习训练122B混合专家模型，在云沙箱中操作shell执行长时程终端任务，采用TITO和R3稳定优化，在Terminal-Bench 2.1上解决率达64.0%，超越GPT-5.4和GLM-5.1。

长任务难在每一步都会改变后面的环境

补一个函数和连续修复一套软件不是同一种任务。终端智能体需要读取文件、安装依赖、运行测试、定位错误，再根据执行结果改下一步。一次错误会留在环境里，任务越长，前面留下的状态越容易拖垮后面的判断。

T1直接在云端沙箱执行命令，每个任务带有资源限制、参考解法和隐藏验证器。单条轨迹最多超过300次工具调用，模型看到的不是静态问答，而是一段会持续变化的终端历史。训练集与Terminal-Bench 2.1的89个测试任务隔离，团队用合成任务训练，再检查能力能否迁移。

图2：任务、推理副本、轨迹组装、训练器和沙箱组成T1的长程强化学习流程。

奖励不只看最终成败，而是数通过了多少项检查

长任务只给“成功或失败”一个信号，几十到几百步动作很难知道哪里做对了。T1把验证器中的每条断言拆开，按通过数量给出密集奖励。模型即使没有完成整项任务，也能从已经通过的测试里得到方向；验证器过弱或可被钻空子的任务会在数据侧过滤。

混合专家模型还存在训推不一致。生成轨迹和训练更新使用不同执行栈，文本重新编码会改变Token，路由器也可能把同一Token送到不同专家。T1用Token-In-Token-Out保留实际采样的Token，再重放生成时的专家路由，使训练真正更新产生这段轨迹的路径。

64.0%不是所有终端任务都能做

在相同智能体框架下，基础模型通过率43.8%，监督微调后49.4%，强化学习后的T1达到64.0%。GPT-5.4为54.8%，DeepSeek-V4-Flash为56.9%，Claude Opus 4.6为63.8%，Claude Opus 4.7仍以66.1%更高。论文因此支持“在这一基准和框架下超过GPT-5.4”，不支持全面超过。