By Unbug 
以阿里 Qwen 团队为主力、合作清华大学的论文《Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments》（arXiv:2609.04148，2026 年 9 月 3 日提交，14 位作者）提出一个判断：终端代码智能体（terminal agent，在命令行环境里执行任务的大模型智能体）后训练的真正瓶颈不是轨迹数量，而是可执行环境。一条轨迹是一次性冻结的示范，一个环境却能反复生成无数可验证任务并返回真实执行反馈。论文的结论是环境不必从零合成——已有轨迹里的工具执行历史本身就泄露了环境的结构与内容。按这个思路构建的 Terminal-Universe 框架从公开终端智能体轨迹中产出 37.3k 个 task-sufficient 环境（指足以支撑任务验证的环境）。
需要先划清边界：这是未经同行评审的预印本，「环境藏在轨迹里」是作者的主张而非学界定论；文中 +11.9 与 +13.8 两个数字均指 SFT（监督微调）后模型相对基线的提升分数，不是绝对成绩。
环境重建：回放文件操作再补齐缺口
Terminal-Universe 的核心机制分两步。第一步回放：轨迹记录了智能体对文件系统的每一次读写操作，把这些文件操作逆向回放到起点，就能把每个文件恢复到智能体修改之前的状态，得到一个残缺但真实的部分工作区。第二步补全：交给 completion agent（补全智能体）推断并补齐缺失的文件与依赖，把一个能跑起来、可反复出题的可执行环境还原出来。换言之，训练数据的再加工从样本级推到了环境级——不需要专门的模拟器或人工搭建的沙箱，别人跑过的轨迹就是矿。
在此之上，论文沿两个轴扩展任务。宽度轴挖掘相关环境之间的方向性依赖，合成跨代码库的查询任务；深度轴引入 user agent（模拟用户追问与反馈的智能体），把单轮查询扩展成带迭代反馈的多轮会话。
实测：单轮提分，多轮提分更多
论文把框架应用于公开的终端智能体轨迹，得到 37.3k 个 task-sufficient 环境，并用这份语料对 Qwen3.5-27B 做 SFT。结果分两个口径：单轮任务上，Terminal-Bench 2.1（终端智能体的公开基准）相对基线提升 11.9 分；多轮任务上，EvoCode-Bench v2 的 MT@4 指标（多轮会话口径的通过类指标）提升 13.8 分。多轮的增益大于单轮，与框架专门做了 user agent 多轮化设计的取向一致。
与轨迹评估那篇的方向区分
这篇论文和已发的《推理链里的顿悟时刻，多半是预算给的错觉》恰好站在轨迹的两端：那篇把轨迹当被审视的对象，拆穿从轨迹外部读数时的预算混淆；这篇把轨迹当原材料，从里面反向工程出训练用的环境。同一个数据物，一个是评估口径的质疑，一个是数据合成的增量，读的时候可以对照着看。对做智能体后训练的团队，可迁移的启发是：先盘点手头已有轨迹里的工具调用记录，那里可能已经躺着重建环境的原料，而环境才是能反复生题、持续给反馈的那一层资产。
一分钟读论文：《数据喂饱了，算法还饿着》