原始来源日期:2026年10月7日。本文依据最近72小时内发布的一手资料编译。

原文编译

基础模型往往连规范工具调用都无法稳定生成,直接以端到端pass@K筛选会低估其潜在代码能力;把任务压成一次性补丁又绕过了长程工具使用和仓库状态维护。

论文借用成功后训练Agent的轨迹作为前视信号,在每个代码改动后重新执行测试,找到累计补丁第一次让仓库由失败转为通过的“决定性步骤”。

围绕该步骤设计三种无需从冷启动驱动工具的指标:动作的bits-per-byte概率、在正确补丁与验证器拒绝候选间的多选判断,以及给定前缀后的条件pass@K。

十对公开基础模型和后训练模型实验中,三项筛选指标对模型队列的排序都与最终SWE-bench Verified pass@1接近一致。方法依赖已有成功轨迹和可靠验证器,无法评价训练后才涌现且历史轨迹未覆盖的策略。

阅读全文时需要把核心机制与边界条件合并判断:论文借用成功后训练Agent的轨迹作为前视信号,在每个代码改动后重新执行测试,找到累计补丁第一次让仓库由失败转为通过的“决定性步骤”。 与此同时,原文也明确提醒:十对公开基础模型和后训练模型实验中,三项筛选指标对模型队列的排序都与最终SWE-bench Verified pass@1接近一致。方法依赖已有成功轨迹和可靠验证器,无法评价训练后才涌现且历史轨迹未覆盖的策略。 这两部分共同限定了这项工作的可复现范围和工程含义,不能只引用其中的性能数字或状态标签。

量仔观察

本站认为,这能降低编码Agent后训练的试错成本,但容易把模型优化到既有轨迹。候选选择仍需保留不同架构和数据来源,避免所有模型只模仿同一种解题路径。

密码工程可把标准向量、编译与跨平台回归作为决定性步骤验证器,并额外测未见接口和错误路径。概率指标只能说明“模型分布中已有能力”,不能替代安全上线评审。