BSR：软件工程智能体的行为自奖励方法
原文标题：Beyond Binary Verifiable Rewards: Behavioral Self-Rewarding for SWE Agents
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。
论文提出行为自奖励（BSR），一种奖励精炼方法，复用策略自身比较同一任务、同一验证结果下轨迹的可观察调试行为。BSR 将成对偏好聚合为任务局部分数并转为有界辅助奖励，在保留验证器通过/失败顺序的同时引入奖励对比。在 SWE-bench Verified 与 SWE-bench-Live 上，Qwen3-14B 与 Qwen3-32B 配置均获一致提升。
- 问题
- RLVR的二元奖励无法区分调试质量差异明显的轨迹。
- 方法
- 复用策略自身比较同任务同验证结果下的调试行为，把成对偏好聚合为任务局部分数转为有界辅助奖励。
- 结果
- 在SWE-bench Verified与SWE-bench-Live上，Qwen3-14B与Qwen3-32B配置均获一致提升。
- 影响
- 无需额外奖励模型即可从已有轨迹榨取监督信号，降低软件工程智能体训练成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
BSR让策略自己比较同结果轨迹的调试行为，Qwen3-14B/32B在SWE-bench一致提升
- •RLVR的二元通过/失败奖励无法区分调试质量差异明显的轨迹
- •BSR复用当前策略，比较同一任务、同一验证器结果下轨迹的可观察调试行为
- •将成对偏好聚合为任务局部分数，转为有界辅助奖励，同时保留验证器的通过/失败顺序
- •无需新环境交互，仅利用已采集轨迹；在SWE-bench Verified与SWE-bench-Live上Qwen3-14B、Qwen3-32B均一致提升
为什么重要：软件工程智能体的奖励稀疏问题可用「策略自评」低成本缓解，且不额外训练奖励模型、不增加环境交互，对做代码agent RL的工程落地较友好。
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。