你让 AI 在终端里修一个复杂故障：先读文件，再跑测试，接着修改代码、安装依赖、重新构建。做到第几十步时，它可能忘记最初目标，也可能直到最后才发现第一步就走错了。T1 想解决的正是这种“长跑”问题：让终端Agent——能在命令行中读取文件、运行程序和调用工具的 AI——持续执行几十乃至数百步任务，并从真实执行结果中学习。
论文作者将一个总参数量约 122B 的 Mixture-of-Experts（MoE，混合专家）模型用于这项实验。MoE 不会让每个输入都调用全部参数，而是由“路由器”挑选少数专家参与计算。T1 通过强化学习训练：模型反复尝试任务，再依据自动检查结果调整策略。作者报告，它能在云端沙箱的真实 shell 中完成单任务最多 300+ 轮工具调用。本文所有效果数字均来自这篇论文，尚无独立信源复核。
长任务为什么难教
短问答答错了，反馈来得很快。长程终端任务不同。模型可能要检查数百次代码提交，定位缺陷，完成修补，再构建指定目标。早期错误往往要过很久才暴露，而一次完整尝试又会消耗大量沙箱时间。
最直接的奖励只有“成功”或“失败”。论文团队先在 TMax-15k 上尝试二元奖励：模型从 43.8% 提升到 47.2%，但没有达到监督微调检查点的 49.4%。作者据此认为，完整成功过于稀少，大量已经取得部分进展的轨迹仍被统一记为零，学习信号太弱。
T1 改用 dense process reward，即更密集的过程奖励。每项任务都带有 verifier——自动检查要求是否满足的程序。它不只给出最终成败，还分别记录通过了多少条检查。模型完成一部分要求，也能得到相应反馈。
这里有个关键选择：奖励看通过检查的绝对数量，而不是通过比例。通过 20 项中的 10 项，与通过 4 项中的 2 项，比例都是一半；但前者可能意味着完成了更多实际工作。作者因此把每多通过一项检查视为一份进展，并采用固定的全局尺度，让不同训练批次的奖励保持可比。不过，论文也承认，不同检查所需工作量大致相当只是一项设计原则，并非严格保证。
奖励仍在轨迹结束时统一发放。至于哪一步值得表扬、哪一步应当负责，则交给 critic——一个预测当前行动最终价值的模型——向前分配信用。团队还先用一个训练阶段给 critic“热身”，再开始主要的策略更新，希望它不必边学评分、边指导 actor，也就是实际采取行动的模型。
还得保证“练习”和“复盘”是同一件事
T1 面对的另一类问题更隐蔽。生成轨迹和更新模型由两套系统完成。终端Agent每调用一次工具，系统都可能把历史消息解析、转成文本，再重新编码成 token——模型处理文字时使用的数字编号。一个空格或边界处理发生变化，训练器看到的序列就可能不再是模型当时真正生成的序列。
论文提出 TITO（token-in, token-out）：训练直接使用采样器产生的 token 编号，并在多轮对话边界修复偏移。作者对 1,402 个样本审计后称，真正参与损失计算的区域实现了 zero token drift，也就是训练序列与生成序列没有 token 错位。
MoE 还有第二层错位。它的路由器每层从 256 个专家中选择 8 个；生成端和训练端即使只有很小的数值差异，也可能选中不同专家。这样一来，负责学习的参数并不是当初产生行动的那组参数。
R3（rollout routing replay，轨迹路由重放）的做法很直接：生成时记下每个 token 在各层选择了哪些专家，训练时原样重放这些选择。路由概率仍由当前模型计算，因此梯度路径保留，但接收梯度的专家与生成轨迹时一致。TITO 和 R3 合用后，论文报告训练与推理之间的平均 log-probability difference——同一输出在两套系统中所得概率差异的内部指标——从 0.021 降到 0.013。这个数字说明记账更一致，不能直接等同于任务能力提高。
成绩说明了什么
在包含 89 项任务的 Terminal-Bench 2.1 上，作者报告基础模型的 resolved rate 为 43.8%；监督微调检查点为 49.4%；经过三轮 PPO 强化学习后，T1 达到 64.0%。PPO 是一种限制每次策略更新幅度的强化学习方法。按论文口径，仅从监督微调检查点到 T1，相对提升为 28.5%。
在更强调长程操作、包含 46 项任务的 Long-Horizon Terminal Bench 上，T1 得分为 27.9%。作者还称其超过 GPT-5.4 和 GLM-5.1。不过，供稿没有同时给出这两个对照模型的具体成绩；正文其他位置对比较对象的表述也不完全一致，因此这项“超过”更适合作为作者主张，而不是已经独立确认的排名结论。
值得注意的是，训练允许单任务达到 300+ 轮工具调用，但三项正式评测采用统一配置，最多只有 60 轮，并非所有成绩都在 300 多轮预算下取得。训练集由隔离种子和合成任务组成，作者称与 Terminal-Bench 2.1 不重叠。这降低了直接针对测试题训练的可能，但“数据不重叠”本身还不足以完全排除污染，也不能单独证明真正的能力迁移。
为什么值得关注
T1 的意义不只在一个榜单数字。它把长程Agent训练拆成两个更实际的问题：第一，如何让执行到一半的进展也能产生反馈；第二，如何保证模型复盘的确实是自己刚才走过的路线。前者缓解长任务奖励过稀，后者处理多轮工具调用与稀疏模型带来的训练错位。
这仍然不是“可以独立接管复杂系统”的证明。但它展示了一套较完整的训练思路：让Agent在真实 shell 中行动，用任务自己的检查程序评分，再把数百步执行中的数据准确送回训练系统。终端Agent若要从几轮演示走向持续工作，这些不显眼的稳定性问题，可能和模型规模一样重要。
局限与未知
- 全部结果来自同一篇论文，尚缺少独立复现；64.0%和27.9%的方差等统计信息未在供稿中完整披露。
- 绝对检查数量能提供更细反馈，也可能偏爱检查项目更多的任务；论文通过数据筛选和监控轨迹长度降低奖励投机风险，但不能由此认定风险已消失。
- 300+轮的准确上限并不明确，正式评测又限制为60轮，因此模型在更长实际运行中的稳定性仍待验证。