沙丘社区
论文

Terminus-4B：更小的模型能在智能体执行任务上替代前沿LLM吗？

Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks?

Spandan Garg, Vikram Nitin, Yufan Huang
模型优化模型训练强化学习小模型/轻量模型Agentic RL

摘要

现代编码智能体日益把专门子任务委托给子智能体——更小、更聚焦的智能体循环，负责搜索、调试或终端执行等狭窄职责。这一架构模式通过把冗长输出（构建日志、测试结果等）隔离在子智能体上下文中，保持主智能体上下文窗口干净。当智能体使用子智能体时，通常以前沿模型充当子智能体。本文研究经微调的小语言模型（SLM）能否在智能体终端执行任务上达到与前沿模型相当的性能。我们提出Terminus-4B：以基于量规的LLM-as-judge奖励，经SFT与RL后训练的Qwen3-4B，专为该任务。在我们横跨多个前沿模型、训练消融与主智能体配置的广泛评估中，Terminus-4B较无子智能体基线把主智能体的token用量最多降低约30%，且不影响其在SWE-Bench Pro与内部SWE-Bench C#（冗长执行任务偏重）等基准上的表现。Terminus-4B还改善了主智能体依赖子智能体输出、减少亲自执行终端任务的关键指标。我们的模型不仅弥合了原生Qwen与Claude Sonnet/Opus/GPT-5.3-Codex等前沿模型的差距，还常常超越其性能。

Terminus-4B：更小的模型能在智能体执行任务上替代前沿LLM吗？：论文配图
图 1. 对比 Serilog 存储库中实际问题的代理轨迹（使用和不使用执行子代理）。如果没有子代理（顶部），主代理必须直接调用终端命令，处理详细的构建和测试输出，并花费额外的轮次来解释结果，从而消耗更多的令牌和轮次。通过我们的子代理（底部），终端执行任务被委托给子代理，子代理吸收原始输出，并以预定义格式以简洁的最终答案仅返回关键发现。主代理永远不必处理详细的终端输出，从而保留其上下文窗口。