Tmax：面向终端智能体的开源强化学习配方

TMax 开源配方让 9B 模型在 Terminal-Bench 2.0 达 33%。

资讯摘要

论文提出 TMax，一套面向终端智能体的开源强化学习训练配方。作者报告，仅 9B 参数的模型在 Terminal-Bench 2.0 上达到 33%，超过此前更大模型；方法先用结合难度控制、人物设定与验证器多样化的分类法生成数据，再以仅用结果信号的简单 RL 配方训练 2B 至 27B 的开源权重模型，并称在小尺寸上主导开源终端智能体性能的帕累托曲线。数据、模型与代码已公开。

要点速读

1. 作者报告 9B 参数模型在 Terminal-Bench 2.0 上取得 33%，优于此前更大模型。
2. 数据生成采用新分类法，结合难度控制、人物设定与验证器多样化，用于 RL 与 SFT 训练。
3. 训练使用仅依赖结果信号的简单 RL 配方，适用于 2B 至 27B 及不同模型家族；数据、模型和代码已发布。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。