宾州州立与微软提出行为自奖励,SWE-bench Verified 提升至 34.7%

dair_ai · x · 2026-10-15

Penn State 与 Microsoft Research 论文提出 Behavioral Self-Rewarding(BSR),解决 SWE agent 用二元测试奖励训练的对比度问题:当组内所有轨迹全通过或全失败时,奖励无差异、学不到东西。方法:让策略对自身轨迹两两比较,把偏好变成有界辅助奖励加在测试结果之上——有界保证自评偏好只能区分两个通过的轨迹,不能把失败的排到通过之上,且无需新的环境交互。结果:Qwen3-14B 在 SWE-bench Verified 上从 32.1% 提到 34.7%(400 步预算),SWE-bench-Live 从 6.33% 提到 8.11%。