研究チームが2026年9月10日、ターミナル操作AIエージェント「T1」に関する論文T1: Terminal Agent Reinforcement Learning for Long-Horizon TasksをarXivで公開しました。T1は1220億パラメータのMixture of Experts（MoE：複数の小モデルに処理を分担させ、入力ごとに必要な部分だけ動かす仕組み）モデルで、強化学習（RL：試行錯誤の結果に応じて報酬を与え、望ましい行動を学習させる手法）によって実際のLinuxシェルを操作できるよう訓練されています。1タスクあたり300回以上のコマンド実行を要する長時間タスクに対応できる点が特徴です。
背景と文脈
ターミナルを直接操作して開発作業を進める自律型AIエージェントは、Claude CodeやDevinなど実用段階に入った製品が増えています。こうしたエージェントは、コマンドを実行しながらエラーを読み取り、次の一手を判断する動作を何十回、何百回と繰り返す必要があります。1回のミスが後続の処理全体を壊すこともあり、長時間タスクをどこまで安定してこなせるかが実用性を左右します。
この能力を測る物差しとして広がっているのがTerminal-Benchです。スタンフォード大学とLaude Instituteが共同で整備したベンチマークで、実際の開発現場を模した課題をDockerコンテナ上で実行し、専用のテストで達成度を自動判定します。最新版のTerminal-Bench 2.1は難度が引き上げられており、公開時点でトップクラスのモデルでもスコアが65%を下回るとされています。
ただし既存のベンチマークの多くは、比較的短いタスク列を対象にしています。実務では数十〜数百ステップにわたる作業を任せたい場面が多く、長時間タスクに特化した評価軸の必要性が指摘されてきました。T1の論文は、この長時間タスクへの対応力そのものを訓練目標に据えた点が出発点になっています。
技術/ビジネス面
T1の核となるのは、実際のシェル環境を使った強化学習の訓練プロセスです。モデルはクラウド上のサンドボックス（隔離された仮想環境）でコマンドを実行し、各タスクに用意された検証プログラムが成功・失敗を判定します。この検証結果をそのまま報酬として使い、通過したチェック項目の数に応じて評価を細かく刻む「プロセス報酬」を採用することで、長い作業列の途中経過も学習に反映させています。
訓練の安定化にも工夫が見られます。論文では、実際にサンプリングされたトークン列そのものを学習に使い、やり取りの境目でズレを補正する手法や、MoEの各層でどの専門家モデルが選ばれたかを記録して再現する仕組み「Rollout Routing Replay」を導入したと説明しています。これにより、訓練時と推論時でモデルの出力確率がずれる問題を抑え、長時間タスクでの一貫した挙動につなげたとしています。
結果として、ベースモデルでは43.8%だったTerminal-Bench 2.1のスコアが、RL訓練後のT1では64.0%まで向上しました。さらに新設された長時間タスク専用の評価「Long-Horizon Terminal Bench」でも27.9%を記録し、GPT-5.4やGLM-5.1を上回ったとしています。
これからどうなるか
T1のような専用ベンチマークのスコアは、自律型エージェントに長時間タスクをどこまで任せられるかを判断する材料になります。Claude CodeやCursorのような自律コーディングエージェントを使って数十ステップの改修作業を丸ごと任せる場面が増えるなか、Long-Horizon Terminal Benchのような指標は、途中で処理が破綻しないかを見極める目安として実務でも参考にしやすくなるでしょう。
一方で、T1は1220億パラメータのMoEモデルであり、手元の環境で気軽に動かせる規模ではありません。当面はクラウド経由のエージェントサービスとして提供される可能性が高く、実際に使えるようになるかは今後の展開次第です。強化学習という訓練アプローチ自体は、他の開発者向けエージェントにも波及していく可能性があります。
まとめ
T1は、強化学習によってターミナル操作を訓練した1220億パラメータのMoEモデルで、Terminal-Bench 2.1のスコアを43.8%から64.0%に伸ばしました。新設のLong-Horizon Terminal Benchでも27.9%を記録し、GPT-5.4を上回っています。長時間タスクに対応する自律エージェントの信頼性を測る新たな指標として注目されます。
参考リンク
- T1: Terminal Agent Reinforcement Learning for Long-Horizon Tasks
- Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces
アイキャッチ画像: Photo by Jantine Doornbos on Unsplash
