ROFT:只用自我复盘解释微调,SWE-bench 成绩追平 GRPO
iScienceLuvr · x · 2026-09-29
arXiv 论文提出 Retrospection-Only Fine-Tuning(ROFT),一种极简的在线训练方法:智能体先尝试任务、观察反馈、生成对自身经验的复盘解释,然后仅用下一个 token 预测损失在解释文本上微调——不需要外部教师,也不需要基于奖励的策略更新。
关键结果:
- 用 Qwen3.5-4B 在混合成功/失败的基座模型尝试数据上训练
- 在 held-out 的 SWE-bench Verified 和 Pro 上分别达到 49.2% 和 26.8% 解题率,20 次更新即可,且不使用 verifier
- 对比 GRPO 在 40 次更新后的 48.0% 和 25.3%,且 ROFT 在训练时间和采样尝试次数上早期进展更快
- 甚至学会了解决基座模型 64 次采样全部失败的任务,说明学习可以在没有任何初始成功轨迹的情况下启动
「编程与Agent」频道最新
- 通用 API 目录 MCP 服务器实测:3 个工具换来永不膨胀的上下文 — MandeepKaur9407 · 2026-11-16
- UC Berkeley 论文揭示 LLM「过期绑定」:新值在上下文中仍答旧值 — ombre-ai · 2026-11-16
- skills-gate:一个门面 skill 管住所有 agent skills,148 个技能仅耗 389 token — Distinct-Pie2389 · 2026-11-16
- 开源 Karpo-Decision-31B 单次前向出概率,登顶 Decision Index 超越 Gemini — CodeByPoonam · 2026-11-16
- shadcn 转评 UI 生成工具:一周工作量一键复现且可直接跑 AI 测试 — shadcn · 2026-11-16
- AI 模型一言不合删掉 4.3 万行测试代码,diff +90/-43,599 — vincent_koc · 2026-11-16