T1 — модель Mixture-of-Experts на 122B параметров, обученная через…

‼️ T1 — модель Mixture-of-Experts на 122B параметров, обученная через RL прямо в реальном шелле облачной песочницы, способная выполнять до 300+ ходов вызова инструментов на одну задачу.

Ключевая проблема — расхождение между тем, что модель видела при обучении, и тем, что делает в реальном инференсе. Решение — точное сопоставление токенов с починкой дрейфа на границах ходов и повтор выбора «экспертов» в MoE-слоях при сэмплировании. Это сократило расхождение с 0.021 до 0.013. Модель специально тренировали на задачах, не пересекающихся с тестовым бенчмарком, чтобы прирост отражал реальный перенос навыков, а не заучивание теста.

📁 Результат: базовая модель выросла с 43.8% до 64.0% на Terminal-Bench 2.1, а на Long-Horizon версии T1 достигла 27.9%, обойдя GPT-5.4 и GLM-5.1.
Дополнение к теме харнесса, которую мы разбирали не раз — только здесь решение ищут в самой методике обучения, а не в обвязке вокруг модели.

❓ Узкоспециализированные terminal-native модели — более перспективный путь, чем универсальные фронтир-модели, или это тупиковая специализация?