A corrida para construir agentes de IA autônomos atingiu um gargalo enorme: dados. Embora modelos de ponta como Claude Code e Codex CLI tenham demonstrado proficiência impressionante em ambientes de terminal, as estratégias de treinamento e as misturas de dados por trás deles permaneceram segredos bem guardados. Essa falta de transparência forçou pesquisadores e desenvolvedores a um ciclo custoso de tentativa e erro. A NVIDIA está agora quebrando esse silêncio ao revelar uma estrutura abrangente para construir agentes de terminal de alto desempenho. Ao introduzir o Terminal-Task-Gen e o conjunto de dados Terminal-Corpus, a NVIDIA está essencialmente dando à comunidade de desenvolvedores os projetos para construir agentes que não apenas 'conversam' sobre código, mas realmente o executam com precisão cirúrgica. https://arxiv.org/pdf/2602.21193 O Problema da Escassez de Dados O desafio de treinar um agente para a linha de comando é duplo. Primeiro, há uma escassez de recursos fundamentais — especificamente, prompts de tarefas diversos e os complexos arquivos de dependência necessários para criar ambientes realistas. Segundo, capturar 'trajetórias' (as interações passo a passo do terminal) é logisticamente doloroso. As interações humanas são lentas para registrar, e a geração sintética via agentes LLM é proibitivamente cara porque requer a instanciação de um novo ambiente Docker para cada turno. Terminal-Task-Gen: Uma Estratégia de Duas Vertentes A solução da NVIDIA é um pipeline de geração de dados 'grosso-fino' chamado Terminal-Task-Gen. Ele utiliza duas estratégias distintas para dimensionar os dados de treinamento sem gastar muito. 1. Adaptação de Conjunto de Dados (A Camada Grossa) Em vez de começar do zero, a equipe aproveita conjuntos de dados de Supervised Fine-Tuning (SFT) existentes de alta qualidade de domínios de matemática, código e engenharia de software (SWE). Eles transformam esses prompts estáticos em tarefas interativas de terminal. Matemática e Código: Usando 163 mil prompts de matemática e 35 mil prompts de código, eles envolvem esses desafios em um andaime de terminal. SWE: Eles retiram 32 mil prompts únicos de repositórios como SWE-bench e SWE-reBench. A parte inteligente? Este processo não requer um LLM "no loop" para a adaptação inicial, tornando-o incrivelmente eficiente para dimensionar o volume. 2. Geração de Tarefas Sintéticas (A Camada Fina) Para preencher a lacuna entre o raciocínio geral e os rigores específicos da agência de terminal, a equipe da NVIDIA usa o Terminal-Task-Gen para criar tarefas novas e executáveis. Geração Baseada em Semente: O LLM usa computação científica existente ou algorit
Fonte: MarkTechPost
Publicado em 2026-03-10