对终端Agent（命令行自主完成任务）缺乏高性能开源RL方案的痛点，提出一套完整训练管线：将任务构建拆解为9个结构化维度的组合采样，通过难度分级、角色设定与验证器多样化保证数据质量，采用DPPO算法（GRPO变体，可自动屏蔽不可靠梯度）进行训练。训练出的TMAX-9B在Terminal-Bench 2.0上达到27.2%，超越所有<10B参数的开源模型，数据、模型、代码全部开源。
【论文链接】 http://t.cn/AXSupUxH
发布于 广东
对终端Agent（命令行自主完成任务）缺乏高性能开源RL方案的痛点，提出一套完整训练管线：将任务构建拆解为9个结构化维度的组合采样，通过难度分级、角色设定与验证器多样化保证数据质量，采用DPPO算法（GRPO变体，可自动屏蔽不可靠梯度）进行训练。训练出的TMAX-9B在Terminal-Bench 2.0上达到27.2%，超越所有<10B参数的开源模型，数据、模型、代码全部开源。
【论文链接】 http://t.cn/AXSupUxH