RewardSignal RewardSignal

数据目录

按所训练的 Agent 类型分类。现货可直接交付，其余按需生产。

分类数据对应 benchmark / 能力一条数据样例状态
编程与终端 Agent Terminal-Bench 任务 对应：Terminal-Bench 4.0 一个 Harbor 任务目录，含校验器和参考解 3 道样题 现货
多轮编程 Agent 轨迹 对应：SWE 一个会话：一个 JSONL 文件，每行一次 API 调用 5 段会话节选 现货
电脑操作 Agent 长程电脑操作工作流 对应：OSWorld 2.0 一个任务环境 + 一条专家轨迹 7 道样题 按需生产
3D、图形与游戏 Blender 3D 场景搭建 对应：Blender 3D 建模 一个成品 .blend 场景及其完整的请求级轨迹 10 条样例 按需生产
浏览器 3D 游戏开发轨迹 对应：长程前端与游戏开发 一个游戏：源码、逐轮需求和完整开发轨迹 3 个样例游戏 按需生产

编程与终端 Agent

  • Terminal-Bench 任务

    Harbor 格式、基于真实代码库的编程任务，由隔离校验环境中的隐藏测试评分。

    对应：Terminal-Bench 4.0

    同质量现货
    500+
    专家预估解题耗时中位数
    3 小时
    GPT‑5.6 Sol 每题 5 次尝试中解出
    1–⁠3 / 5
    现货 查看详情

  • 多轮编程 Agent 轨迹

    真实软件项目上的 Claude Code 多轮会话，按 API 调用逐行记录。

    对应：SWE

    Claude Opus 5 会话
    9 万+
    Kimi K3 会话
    5 万+
    思考 token 占输出 token
    约 50%
    现货 查看详情

电脑操作 Agent

  • 长程电脑操作工作流

    OSWorld 2.0 风格的跨应用、跨网站桌面工作流：可打分的任务环境，加一条完整的专家轨迹。

    对应：OSWorld 2.0

    每条轨迹的模型回合数
    245
    每条轨迹的工具调用次数
    1,127
    每题的评分点
    30
    按需生产 查看详情

3D、图形与游戏

  • Blender 3D 场景搭建

    Agent 在 Blender 里完成客户口吻的 3D 需求，交付 .blend 场景和完整轨迹。

    对应：Blender 3D 建模

    每条轨迹的 API 请求数
    38–⁠157
    每单可核验的要求
    3–⁠12
    单条耗时中位数
    51 分钟
    按需生产 查看详情

  • 浏览器 3D 游戏开发轨迹

    编程 Agent 按多轮需求从零写出的浏览器 3D 游戏，附完整开发轨迹。

    对应：长程前端与游戏开发

    每个游戏的输出 token
    68–⁠92 万
    每个游戏的模型调用次数
    524–⁠739
    每个游戏的 JavaScript 行数
    7,095–⁠10,893
    按需生产 查看详情

想提升模型的哪项能力？

来信告诉我们，我们会回复样例和规格说明。