代理訓練與評測
FACET 先建立可執行環境再生成終端任務，9B 代理得分提高 8.24 點
FACET 把指令、容器、參考解法及驗證器綁定至同一執行狀態，從逾 7.1 萬項代理技能合成 6,078 項驗證任務。僅以 1,200 條成功軌跡微調，Qwen3.5-9B 在 Terminal-Bench 2.1 的得分由 27.34 升至 35.58。
終端代理的合成資料通常包含四個彼此依賴的部分：使用者指令、預先配置的環境、參考解法及可執行驗證器。若它們由不同生成階段各自推測檔案、依賴或資料格式，任務即使文字合理，也可能無法完成或被錯誤評分。8 月 19 日公開的 FACET 改為先從相關 Agent Skills 重建目標、工具限制、中間狀態及輸入輸出契約，再建立和修復 Docker 環境；後續元件都讀取同一個已實現狀態，失敗時只重生成有問題的部分。
研究從 71,341 項有效技能建立 7,852 組場景種子，最終取得 6,078 項執行驗證任務；每題平均有 22.77 個測試，比研究列出的其他終端資料集更密集。作者用 DeepSeek-V4-Pro 產生約 6,000 題的執行軌跡，篩出 1,200 條完整成功軌跡，對 Qwen3.5 4B、9B及27B進行三輪全參數監督微調。三者在相同 Terminus-2 框架及三次嘗試設定下，Terminal-Bench 2.1 分別增加 7.12、8.24及6.75點；27B版本達47.57，距同設定的397B模型49.06僅1.49點。
消融實驗亦顯示，依序建立環境、指令、解法及解法感知驗證器的最終產出率為83%，高於共同生成的65%及反向生成的63%。不過這並非純粹的單變量比較，各流程同時改變資訊流、驗證及修復策略；排行榜參考模型也未全部在完全相同框架下重跑。程式、6,020項公開任務及三個checkpoint已上線，但論文使用的全部軌跡與生成成本仍需進一步核對。