研究：如何训练智能体可靠写代码
原文标题：Teaching Agents to Code Reliably
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出自主编码智能体的三种关键行为——位置多样性、编辑多样性与验证可靠性——可通过训练而非仅靠推理时算力获得。方法用执行反馈引导搜索并对补丁做回退树评分，在 SWE-bench Verified 上以不到一半的智能体步数解决 52.8% 的问题。加权 SFT 与强化验证器训练将 pass@1 从 31.9% 提升至 43.0%，pass@8 提升至 60.7%，验证器精度从 26.8% 升至 41.7%。
- 问题
- 自主编码智能体的位置多样性窄、编辑多样性未利用、自写测试验证不可靠，额外推理算力难以转化为有效修复。
- 方法
- 用执行反馈引导搜索并对每个补丁按其回退树评分，再通过加权 SFT 与强化验证器训练把三种行为写入策略而非依赖脚手架。
- 结果
- SWE-bench Verified 上以 48.1% 的智能体步数解决 52.8% 问题；加权 SFT 将 pass@1 从 31.9% 提至 35.2%、pass@8 从 46.7% 提至 51.1%；强化目标后 pass@1 达 43.0%、pass@8 达 60.7%，验证器精度从 26.8% 升至 41.7%。
- 影响
- 把编码智能体的关键行为训练进模型而非堆推理算力，可显著降低步数成本并提升修复可靠性。
深读 · 结论先行AI 生成展开看要点与影响 ↓
训练而非堆推理算力：SWE-bench Verified 解决率 52.8%，步数仅用基线 48.1%。
- •方法用执行反馈引导搜索，并对每个补丁在其回退树上评分，解决 52.8% 的 SWE-bench Verified
- •仅用八样本基线 48.1% 的智能体步数，说明增益来自行为而非推理时算力
- •加权 SFT 把 pass@1 从 31.9% 提到 35.2%，pass@8 从 46.7% 提到 51.1%
- •强化验证器训练进一步把 pass@1 提到 43.0%、pass@8 提到 60.7%
- •验证器精度从 26.8% 升至 41.7%，误接受减少一半以上
为什么重要：把位置多样性、编辑多样性、验证可靠性当作可训练能力，意味着编码智能体的提升路径从加长推理转向改训练目标，直接影响智能体产品的成本结构。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。