类别感知专家训练框架：SWE-bench Multilingual 达 59%

Logics-MLLM · hf · 2026-09-22

论文提出软件工程 agent 的类别感知专家训练与策略整合框架。要点：

仓库级 SWE 任务类别异质，池化 agentic RL 常出现「跷跷板」：部分类别提升伴随其他类别回退，聚合解决率掩盖问题。
框架含可执行任务构建与 SWE Labeler（证据驱动的多轴标注系统）组织训练池。
同源类别专家交替进行长程 Agentic-miniRL 与 RRE（刷新-修复-扩展）：用更新后的策略刷新实例、复用验证成功的轨迹做 Repair SFT、再选任务继续 RL。
标签路由的多教师 on-policy 蒸馏（MOPD）将专家整合为单个可部署学生模型，ReLU 门控奖励外推只保留各教师的改进方向；全程无需外部模型提供解法轨迹。
最终 MOPD 策略在 Pro-618 达 58.04%、SWE-bench Multilingual 达 59.00%，分别比基座模型高 5.39 和 2.78 个百分点。

「编程与Agent」频道最新