Οι σύγχρονοι πράκτορες κωδικοποίησης αναθέτουν ολοένα και περισσότερο εξειδικευμένες υποεργασίες σε υποπράκτορες. Αυτοί είναι μικρότεροι, εστιασμένοι πρακτορικοί βρόχοι που διαχειρίζονται συγκεκριμένες αρμοδιότητες, όπως η αναζήτηση, η αποσφαλμάτωση ή η εκτέλεση τερματικού. Αυτό το αρχιτεκτονικό πρότυπο διατηρεί το παράθυρο περιβάλλοντος του κύριου πράκτορα καθαρό, περιλαμβάνοντας για παράδειγμα αρχεία καταγραφής κατασκευής και αποτελέσματα δοκιμών, εντός του πλαισίου του υποπράκτορα. Συνήθως, όταν οι πράκτορες χρησιμοποιούν υποπράκτορες για τέτοιες εργασίες, αξιοποιούν μοντέλα αιχμής.
Στην παρούσα εργασία, διερευνάται εάν ένα λεπτορυθμισμένο μικρό γλωσσικό μοντέλο (SLM) μπορεί να επιτύχει συγκρίσιμη απόδοση με τα μοντέλα αιχμής στην εργασία της πρακτορικής εκτέλεσης τερματικού. Παρουσιάζεται το Terminus-4B, ένα μοντέλο Qwen3-4B που έχει υποστεί μετα-εκπαίδευση μέσω Εποπτευόμενης Λεπτορύθμισης (SFT) και Ενισχυτικής Μάθησης (RL). Η διαδικασία αυτή χρησιμοποιεί ανταμοιβή βασισμένη σε κριτήρια LLM-ως-κριτής, ειδικά για την εν λόγω εργασία.
Στην εκτεταμένη αξιολόγηση, η οποία καλύπτει διάφορα μοντέλα αιχμής, αφαιρέσεις εκπαίδευσης και διαμορφώσεις κύριου πράκτορα, διαπιστώνεται ότι το Terminus-4B είναι ικανό να μειώσει τη χρήση tokens του κύριου πράκτορα κατά περίπου 30% σε σύγκριση με τη βασική γραμμή χωρίς υποπράκτορα. Αυτό επιτυγχάνεται χωρίς αντίκτυπο στην απόδοση του πράκτορα σε σημεία αναφοράς όπως το SWE-Bench Pro και το εσωτερικό σημείο αναφοράς SWE-Bench C#, το οποίο τείνει να είναι βαρύ σε λεπτομερείς εργασίες εκτέλεσης. Επιπλέον, το Terminus-4B βελτιώνει βασικές μετρήσεις, δείχνοντας ότι ο κύριος πράκτορας βασίζεται στις εξόδους του υποπράκτορα και εκτελεί λιγότερες εργασίες εκτέλεσης τερματικού. Το μοντέλο όχι μόνο κλείνει το χάσμα μεταξύ του μοντέλου Vanilla Qwen και μοντέλων αιχμής όπως τα Claude Sonnet / Opus / GPT-5.3-Codex, αλλά συχνά υπερβαίνει ακόμη και την απόδοσή τους.
