腾讯 T1 专攻 Agent 长任务：连续操作 300 多轮，跑分提升 20.2 分

腾讯将 Qwen3.5-122B-A10B 用于训练终端 Agent，推出 T1。该模型主要处理 Linux 终端中的复杂任务，单个任务最多可连续调用工具 300 多轮。

在 Terminal-Bench 2.1 上，T1 得分从底模的 43.8% 提升至 64.0%，增加 20.2 个百分点。

这部分提升主要来自强化学习。SFT 阶段仅将分数提升至 49.4%，随后强化学习又带来 14.6 个百分点的增长。团队准备了约 1.5 万个终端任务，每个任务都配有自动测试。即使 Agent 未完成整个任务，只要完成其中部分要求，也能获得相应奖励。

长任务训练还面临训推偏差问题：Agent 实际执行任务时生成的内容，在后续训练中可能被重新切分为不同 token，MoE 也可能调用不同专家处理。T1 会记录当时生成的 token 和选中的专家，并在训练时直接重放，从而将这种训推偏差降低约三分之一。