研究者らは、長期タスクに取り組むAIエージェントの訓練用データセット「Tev-Gym」を発表しました。7領域にまたがる検証済みのタスク環境1,170件を収録し、各段階で進捗を測る、検証可能な密な報酬を提供します。論文は10月13日に公開され、10月14日にHugging Faceへ提出されました。

Tev-Gymは、まずタスク領域や作業手順、各段階で期待される状態を完全な仕様として作り、その仕様からエージェントが操作できる環境を生成する「潜在世界を先に作る」方式を採用しています。これによりタスクの複雑さを調整でき、自然な進捗指標も設定できます。

研究者らは進捗ポテンシャル報酬形成（各段階の進展を報酬に変える手法）を使い、進捗指標を各段階の密な報酬に変換します。この方法は訓練効率を高め、従来は訓練が難しかったタスクも学習可能にすると研究者らは説明しています。この方式で訓練したTev-27Bは、Agents’ Last Examの計算・数学・科学タスク（ALE-CM）でPass@5の成績がGPT-6 AstraとClaude Opus 5に並びました。訓練にはALE関連データのみを使いました。

論文によると、Tev-27BはTerminal-Bench 3.0と4.0の各サブセットにも汎化し、GLM 5.2とGemini 3.7 Flashを上回りました。TB 2.1などの中期タスクではClaude Opus 4.8に匹敵する性能を達成しました。Hugging Faceのページでは、Tev-320BがTerminal-Bench 4.0-CMのオープンモデルで首位と報告されています。

研究者らは、長期タスクに取り組むAIエージェントの訓練用データセット「Tev-Gym」を発表しました。7領域にまたがる検証済みのタスク環境1,170件を収録し、各段階で進捗を測る、検証可能な密な報酬を提供します。論文は10月13日に公開され、10月14日にHugging Faceへ提出されました。

Tev-Gymは、まずタスク領域や作業手順、各段階で期待される状態を完全な仕様として作り、その仕様からエージェントが操作できる環境を生成する「潜在世界を先に作る」方式を採用しています。これによりタスクの複雑さを調整でき、自然な進捗指標も設定できます。

研究者らは進捗ポテンシャル報酬形成（各段階の進展を報酬に変える手法）を使い、進捗指標を各段階の密な報酬に変換します。この方法は訓練効率を高め、従来は訓練が難しかったタスクも学習可能にすると研究者らは説明しています。この方式で訓練したTev-27Bは、Agents’ Last Examの計算・数学・科学タスク（ALE-CM）でPass@5の成績がGPT-6 AstraとClaude Opus 5に並びました。訓練にはALE関連データのみを使いました。

論文によると、Tev-27BはTerminal-Bench 3.0と4.0の各サブセットにも汎化し、GLM 5.2とGemini 3.7 Flashを上回りました。TB 2.1などの中期タスクではClaude Opus 4.8に匹敵する性能を達成しました。Hugging Faceのページでは、Tev-320BがTerminal-Bench 4.0-CMのオープンモデルで首位と報告されています。