终端智能体是AI落地软件工程的关键，但受困于训练数据稀缺和成本高昂。NVIDIA提出的Terminal-Task-Gen数据工程框架，通过双路径数据引擎和创新的训练策略，显著提升了模型性能。其Nemotron-Terminal-32B模型甚至在评测中超越了超大模型，证明了高质量数据工程在AI发展中的核心价值。
智能速览
双路径数据引擎：数据适配+合成生成，快速扩充训练数据。
技能驱动任务生成：9大领域技能分类，确保任务真实复杂度。
预构建Docker环境：避免重复生成，大幅降低轨迹生产成本。
保留失败轨迹训练：强化模型错误恢复能力，效果优于过滤成功样本。
小模型超越大模型：32B模型性能超越480B模型，凸显数据质量重要性。
精华内容
面对终端AI训练的数据瓶颈，传统的数据生成方法已难以为继。NVIDIA的Terminal-Task-Gen框架是如何通过系统性的数据工程，实现高效、低成本、规模化训练的？
双路径数据引擎
为解决训练数据来源问题，该框架采用“数据适配”与“合成生成”双轨策略。数据适配路径将现有的数学、代码、SWE等数据快速转换为终端任务格式，实现数据规模的快速扩充。合成生成路径则通过组合基础“原语技能”来创造新任务，精准覆盖现有数据无法触及的能力盲区，确保了数据的多样性和完整性。
技能驱动生成
任务生成的核心是“技能驱动”。该框架构建了涵盖安全、调试、数据处理、系统管理等9大领域的技能分类体系。每一个生成的终端任务都由3到5个原语技能组合而成，这不仅确保了任务具备真实世界的复杂度，也保证了任务执行结果的可验证性，使模型能够学习到更实用的操作逻辑。
降本增效方案
为降低轨迹生成成本并提升稳定性，框架采用了预构建的Docker环境体系。通过预先准备好9类核心领域的Docker镜像，系统在生成任务轨迹时无需再为每个任务单独生成Dockerfile，避免了繁琐且易错的配置过程。这一方案大幅降低了生成成本，为实现规模化轨迹生产铺平了道路。
失败轨迹的价值
一个反直觉的发现是，保留失败或未完成的训练轨迹效果更佳。实验表明，使用包含失败案例的完整数据集进行训练，能有效强化模型的错误恢复能力。这颠覆了“仅筛选成功样本”的传统思路，证明让模型学习从错误中恢复，是提升其鲁棒性的关键一环。
质量优于规模
最终的实验成果有力地证明了数据质量的核心地位。NVIDIA训练的Nemotron-Terminal-32B模型在Terminal-Bench 2.0基准测试中取得了27.4%的成绩，显著超过了参数规模远超其自身的Qwen3-Coder-480B模型（23.9%）。这清晰地表明，精心构建的高质量训练轨迹，其价值远超单纯增加模型的参数量。
NVIDIA的Terminal-Task-Gen框架不仅是解决终端AI训练难题的一剂良方，更揭示了数据工程在AI时代的重要性。它证明了通过精巧的设计，小模型也能超越大模型。未来，这种以数据为中心的思路是否会成为AI发展的新范式？
