跳到正文
arXiv · AI· Yiran Wu, Andrew Zhao, Yurui Chang, Qingyun Wu, Xuan Feng·· 2026-10-12AI 评分28

超越二元可验证奖励:软件智能体行为自我奖励

Beyond Binary Verifiable Rewards: Behavioral Self-Rewarding for SWE Agents

AI 导读

针对软件工程中二元奖励区分度不足的问题,研究提出行为自我奖励(BSR)方法,利用策略自身判断轨迹行为质量以优化训练。 BSR 复用现有策略对相同验证结果下的不同调试轨迹进行两两比较,生成辅助奖励信号。 实验在 SWE-bench Verified 和 SWE-bench-Live 上验证,Qwen3-14B 和 Qwen3-32B 模型性能均获提升。

来源:arXiv · AI · arxiv.org