Silnik danych przetwarza masowe nagrania sesji terminala, wydobywa z nich powtarzalne przepływy i przekształca je w zadania z automatycznie weryfikowalnymi warunkami sukcesu. Zadania są walidowane, a najlepiej sprawdzone trafiają do podzbioru Verified. Agent oceniany jest po tym, czy poprawnie zrealizuje wieloetapowe zadanie w środowisku terminala.
Ręcznie kurowane benchmarki terminalowe słabo odzwierciedlają realne, złożone przepływy pracy; TerminalWorld skalowalnie wytwarza autentyczne zadania z prawdziwych sesji, uzupełniając (a nie dublując) benchmarki eksperckie.
arXiv 2605.22535 (21 maja 2026); silnik danych z 80 870 nagrań → 1530 zadań, podzbiór Verified 200.
DarwinX raportuje 68,3% (28/41) na własnym, wydzielonym splicie TerminalWorld (baza Opus 4.8).
