TMax: 一种面向终端智能体的简单强化学习训练方案

TMax 开源了终端智能体的强化学习训练方案，9B 参数模型在 Terminal-Bench 2.0 基准中取得 33% 成绩，性能超越此前更大规模的模型。 该方案结合了难度控制、角色设定及验证器多样化分类学生成数据，适用于 2B 至 27B 的开源权重模型，并主导了小模型性能帕累托曲线。 作者公开了数据、模型及代码，旨在为学术界终端智能体研究提供强力基线。