ReTerm：面向自我改进终端智能体的恢复训练
终端智能体能够处理复杂的编程任务，但在长时间运行时，往往难以从错误中恢复。ReTerm利用智能体自身失败的任务进行训练，并采用ReTerm-10K数据集和在线强化学习算法ReTerm-GRPO。基于Qwen3.5-9B构建的ReTerm-9B，在Terminal-Bench 2.0上取得34.8%的Pass@1，比基础模型高14.6个百分点。代码、数据和模型均已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。