「首个果真的面向 Terminal-Bench 情形交互类使命的数据规�；；；；；芟哒叫迹 �
开源完整自动化数据构建算法构建 1655 个高可靠 CLI 使命情形镜像通过 291 条轨迹数据带来 20% 解决率提升
在 Agentic Coding 领域， ，，，，，，基于 SWE-bench 的数据管线研究已取得长足希望。。。 。。。。 。已往一年中， ，，，，，，业界涌现了大宗相关事情， ，，，，，，例如 SWE-Gym、SWE-Smith 和 R2E-Gym 等， ，，，，，，极大推动了以代码天生为焦点的 Agentic Coding 生长， ，，，，，，也使适目今最先进的开源模子与闭源模子之间的体现差别显著缩小。。。 。。。。 。然而， ，，，，，，关于更普遍的情形交互类问题（如 Terminal-Bench 所涵盖的使命）， ，，，，，，现在尚没有果真的高效和可规�；；；；；氖萆苹�， ，，，，，，导致相关数据构建难题重重， ，，，，，，高度依赖人工加入， ，，，，，，这已然成为制约该偏向生长的瓶颈， ，，，，，，也使得在相关使命上开源模子的体现大幅落伍于闭源模子。。。 。。。。 。
因此 CLI-Gym 来了！我们首先实验用 Dockerfile 对情形举行结构化与可复现界说；；；；；进一步， ，，，，，，将数据生产管线自己重新建模为一种 Agentic Coding 使命：在康健情形中驱动 Code Agent 执行情形反演（即 “劣化” 操作）， ，，，，，，自动天生问题情形及其准确的单位测试， ，，，，，，从而实现问题实例与验证工具的自动化结构。。。 。。。。 。我们在 29 个基础镜像上制造出 1655 个针对 Terminal-Bench 实例并产出 291 条高质量乐成轨迹， ，，，，，，PT视讯(中国区)官网微调模子 LiberCoder 32B 和 235B 在 Terminal Bench 上划分实现了 + 28.6%（至 38.9%）和 + 21.1%（至 46.1%）的提升。。。 。。。。 。
PT视讯(中国区)官网管线立异性地以Codebase、Dockerfile 与 Base Image为焦点笼统， ，，，，，，完整地界说恣意 CLI Coding 实体， ，，，，，，使情形构建、问题天生与验证机制形成统一表达框架， ，，，，，，具备优异的可组合性与通用性。。。 。。。。 。我们希望这一范式能够进一步拓展至更多 Agentic Coding 场景， ，，，，，，推动更通用的数据生产算法与基准构建要领的生长。。。 。。。。 。
论文、代码和镜像数据均会在如下链接放出：
论文链接：https://arxiv.org/pdf/2602.10999开源代码：https://github.com/LiberCoders/CLI-Gym镜像数据：https://huggingface.co/datasets/LiberCoders/CLI-Gym
配景先容
近年来， ，，，，，，Agentic Coding 正在快速改变软件工程使命的解决方法， ，，，，，，模子能力的界线正在从 “写代码” 逐渐扩展为 “解决真实软件系统中的重大问题”。。。 。。。。 。目今的研究重点还停留在以 SWE-bench 为焦点的的代码层面的研究， ，，，，，，而在现实的软件工程和系统运维场景中， ，，，，，，大宗问题并非源于代码自己， ，，，，，，而是来自运行情形， ，，，，，，例如依赖版本冲突、情形变量过失、权限设置问题、系统库损坏、网络设置过失等。。。 。。。。 。这类问题通常无法或很难通过修改代码修复， ，，，，，，而必需依赖 agent 通过下令行明确系统状态， ，，，，，，定位问题泉源， ，，，，，，并执行一系列系统级操作恢复情形运行状态。。。 。。。。 。因此， ，，，，，，对 agent 的情形明确与干预能力的要求越来越高。。。 。。。。 。
Terminal-Bench 的使命恰恰契合这一需求。。。 。。。。 。其基准中包括大宗以情形修复为焦点目的的使命， ，，，，，，对 agent 在 CLI 情形下的交互、诊断与修复能力提出了更高要求。。。 。。。。 。然而， ，，，，，，从目今官方 leaderboard 可以视察到， ，，，，，，高性能计划往往依赖围绕强闭源模子构建的重大 agent 框架， ，，，，，，通过大宗提醒工程与多轮反思机制来填补模子在情形明确与问题定位方面的能力缺乏。。。 。。。。 。相比之下， ，，，，，，围绕开源模子怎样通过系统性训练提升其情形修复能力的研究仍然相当有限。。。 。。。。 。
其基础瓶颈在于：情形麋集型使命难以规�；；；；；焐�。。。 。。。。 。代码类问题可以通过挖掘客栈历史与 pull request 自动构建训练数据， ，，，，，，但情形状态通常缺乏可追溯的演化纪录， ，，，，，，难以举行自动化重修与标注。。。 。。。。 。这使得情形使命的数据恒久依赖人工结构， ，，，，，，规模难以扩展， ，，，，，，也限制了模子在该偏向上的一连训练与能力提升。。。 。。。。 。
CLI-Gym 正是在这一配景下提出， ，，，，，，旨在通过自动化机制突破情形依赖型使命数据难以规�；；；；；奈侍�， ，，，，，，为 agent 能力训练提供可一连的数据泉源。。。 。。。。 。我们立异性地将数据生产管线自己重新建模为一种 Agentic Coding 使命：在康健情形中驱动 Code Agent 执行情形反演（即 “劣化” 操作）， ，，，，，，自动天生问题情形及其准确的单位测试， ，，，，，，从而实现问题实例与验证机制的自动化构建。。。 。。。。 。
如上表所示， ，，，，，，该建模思绪具有优异的通用性， ，，，，，，不但适用于情形依赖型使命的结构， ，，，，，，也在统一框架下涵盖了此前 SWE 系列要领的焦点范式， ，，，，，，实现了要领论层面的整合与扩展。。。 。。。。 。
Pipeline：通过情形反演自动天生故障使命
CLI-Gym 的焦点头脑很是巧妙， ，，，，，，通过模拟情形历史自动天生故障场景。。。 。。。。 。与古板要领相反， ，，，，，，我们不是从零构建受损情形， ，，，，，，而是驱动一个 “破损者” agent 自动改动康健情形， ，，，，，，制造多样化故障， ，，，，，，再将其转化为可修复的使命实例。。。 。。。。 。
CLI-Gym 的焦点头脑在于重新思索使命天生方法：既然真真相形问题通常源于情形状态的过失， ，，，，，，那么我们不再从零人工结构损坏情形， ，，，，，，而是从康健情形出发， ，，，，，，自动模拟情形怎样被破损， ，，，，，，从而反向结构出可修复使命。。。 。。。。 。这一头脑被称为 “情形反演”， ，，，，，，即通过 agent 将一个原本正常运行的情形自动破损， ，，，，，，使其回退到包括运行过失的状态， ，，，，，，再将这一退化历程转换为 agent 需要修复的问题实例。。。 。。。。 。在详细流程中， ，，，，，，系统首先从真实开源客栈中构建包括康健情形的 Docker 镜像， ，，，，，，该情形能够乐成运行并通过所有单位测试， ，，，，，，作为后续使命天生的起点。。。 。。。。 。随后系统自动从 Unit Tests 中抽取目的 UT， ，，，，，，通过语言模子天生诱导 agent 执行情形破损的指令， ，，，，，，例如删除要害依赖、改动设置文件、破损系统库、修改路径或权限等， ，，，，，，agent 在执行历程中一直改变情形状态， ，，，，，，使得部分测试失败， ，，，，，，从而模拟真实系统退化或设置过失爆发的历史历程。。。 。。。。 。
当情形中泛起失败测试后， ，，，，，，系统凭证失败日志、执行轨迹以及情形变换自动天生问题形貌与修复目的， ，，，，，，从而形成完整 CLI 使命实例， ，，，，，，agent 的目的是通过下令行操作恢复情形， ，，，，，，使失败测试重新通过。。。 。。。。 。整个流程无需人工加入， ，，，，，，从康健情形天生故障情形， ，，，，，，再从故障情形结构修复使命， ，，，，，，实现了情形问题的自动规�；；；；；焐�。。。 。。。。 。这一历程不但能够模拟真实系统问题的爆发方法， ，，，，，，同时由于每次破损路径差别， ，，，，，，也带来了富厚多样的使命类型， ，，，，，，使得天生使命笼罩软件工程、系统治理、清静调试等多个场景， ，，，，，，显著提升训练数据的多样性与真实性。。。 。。。。 。
产出：规�；；；；；敫咧柿康氖�
基于这一自动化 pipeline， ，，，，，，CLI-Gym 在 29 个真实开源客栈中天生了 1,655 个情形麋集型 CLI 使命实例， ，，，，，，规模远超 Terminal-Bench 的人工结构数据， ，，，，，，同时使命类型笼罩多个应用领域， ，，，，，，展现出极强的可扩展性。。。 。。。。 。与现有 benchmark 相比， ，，，，，，这些使命具有更高重漂后， ，，，，，，每个使命平均包括凌驾 20 个失败测试， ，，，，，，为 agent 提供更富厚的诊断信号和修复反响， ，，，，，，使模子必需真正明确系统状态并执行多步操作才华完成修复， ，，，，，，而不是通过简朴代码修改或投契战略通过测试。。。 。。。。 。别的， ，，，，，，该流程完全自动化运行， ，，，，，，仅消耗盘算资源而无需人工标注， ，，，，，，相比依赖大宗工程师结构使命的古板方法大幅降低本钱， ，，，，，，使情形使命数据能够一连扩展。。。 。。。。 。
在轨迹数据网络阶段， ，，，，，，系统通过强模子运行这些自动天生使命， ，，，，，，网络乐成修复轨迹， ，，，，，，并通过严酷过滤机制扫除过于简朴或保存作弊路径的轨迹， ，，，，，，仅保存真正体现重大情形修复历程的数据， ，，，，，，最终获得数百条高质量 agent 行为轨迹， ，，，，，，用于后续模子训练。。。 。。。。 。这些轨迹展示了富厚的修复战略， ，，，，，，包括依赖恢复、系统设置调试、权限问题处置惩罚与情形组件修复等， ，，，，，，为模子学习真真相形问题解决模式提供了名贵监视信号。。。 。。。。 。
实战效果：显著提升情形问题解决能力
基于 CLI-Gym 天生的数据对 Qwen3 系列模子举行微调后， ，，，，，，获得 LiberCoder 系列模子， ，，，，，，在 Terminal-Bench 上取得显著性能提升。。。 。。。。 。LiberCoder-32B 在 Terminal-Bench 1.0 上的 Pass@1 抵达 38.9%， ，，，，，，相比基础模子实现大幅提升， ，，，，，，而规模更大的 LiberCoder-235B-A22B 抵达 46.1%， ，，，，，，凌驾大大都开源模子， ，，，，，，并靠近部分闭源模子性能。。。 。。。。 。进一步剖析发明， ，，，，，，微调后的模子在情形问题处置惩罚能力上爆发显着转变， ，，，，，，模子不再频仍失败于编辑过失或问题定位， ，，，，，，而更多受到上下文长度与执行时间等外部因素限制， ，，，，，，说明其焦点情形修复能力已经显著增强。。。 。。。。 。同时在多个使命种别中均视察到一致提升， ，，，，，，包括软件工程、系统治理、清静修复与调试使命， ，，，，，，说明 CLI-Gym 数据并非针对简单场景优化， ，，，，，，而是周全增强了模子在情形交互使命中的泛化能力。。。 。。。。 。
结语
CLI-Gym 是第一种用于欧顺冷链物流有限公司扩展 CLI 署理编码使命训练情形的果真要领。。。 。。。。 。使用 Dockerfile 来体现每个情形， ，，，，，，以举行准确的设置和版本控制， ，，，，，，并使用 agent 来模拟情形历史。。。 。。。。 。整理了 1655 个使命实例， ，，，，，，网络了 291 个乐成的轨迹。。。 。。。。 。实验批注， ，，，，，，对PT视讯(中国区)官网数据举行微调可以大大增强以情形为中心的署理编码， ，，，，，，从而在开源模子中在 Terminal Bench 上实现顶级性能。。。 。。。。 。