SWE 训练方法系列

(2512) Self-Play SWE-RL (51.4分, Meta)

🌺 论文摘要

Self-Play SWE-RL 摘要

参考链接

paper, 论文笔记

核心方法

Self-Play SWE-RL框架
- 给定仓库+环境，通过写Bug+修Bug 自我博弈联合RL训练。无需人工Issue
仓库数据：未知
CWM scaffold：bash + search-replace 编辑器

模型效果(CWM-32B-sft)

在SWE-V和SWE-Pro上，SSR方法都超过RL+人类Issue训练的模型，但也没高多少。
SWE-V达51.4分，SWE-P达28.9分。

重要结论

Self-Play RL比Repair/Injection-Only RL 性能更好，Inject-Only 效果最差。
大幅删除代码的Bug更好比仅改一行代码的Bug的好。后者太简单，学习信号弱。
由于共享1个Policy，Solver解决率信号 对训练效果影响不大。

关键贡献

Self-Play SWE-RL 思想，很有启发意义的工作。

问题背景

❓问题背景

合成数据是静态的

问题背景

RL 受限于人类天花板

训练数据和环境 依赖人工：Issue、PR、环境、单元测试等。
人类数据噪音多，不可靠，难扩展。
导致RL本质：模仿和优化 人类写代码的过程。

当前合成数据存在局限性

思想：LLM合成Bug，再去蒸馏数据。
缺点：
- 依赖人类：测试套件、解析器等。
- 依赖TeacherModel：LLM去操作、LLM去蒸馏数据。
- 扩展受限。
- Bug是静态合成的：模型进化，但Bug却无法进化，导致系统无法持续自我改进。
代表工作：SWE-smith/BugPilot.

Self-Play结合真实动态仓库

Self-Play + 真实动态Repo

Self-Play

AlphaZero：自我博弈，自我改进。
RL：探索和利用。

Zero Self-Play

代表工作：
- Absolute Zero：训单个推理模型。
  - 只和Python解释器交互，只能学到Python细节，无法学到真实知识经验。
- R-Zero：共同进化挑战者和求解者。
- LSP：自我博弈。
缺点：无法获得 超出固定环境和模型现有储备之外的新知识。

想法

基于真实动态Repo，Agent和代码环境交互来学习，不依赖人类训练数据。
Self-Play + 真实世界仓库

Self-Play SWE-RL

📕核心方法

核心思想

Self-Play SWE-RL

核心思想

沙盒环境 + 代码仓库 + 工具集(来自CWM, Bash+Editor)
- 无需：单元测试、Issue描述、执行测试命令、特定语言先验知识等。
1个LLM，2个角色(不同prompt)，Injector-造Bug，Solver-修复Bug
通过造Bug+修Bug，迭代式循环提升，共同对抗式-RL训练

优点

通过self-play，模型生成多样化+有挑战+不断进化的课程。
静态bug无法比拟。

高阶Bug

Solver失败的尝试，作为高阶Bug
类似真实开发中多步骤、相互依赖的修改。

生成Bug(Injector)

Bug 套件

Bug本身

bug_inject.diff：向代码注入Bug

隐蔽手段

test_weaken.diff：移除或削弱测试，隐藏Bug。

防作弊手段

test_files.txt：测试文件列表，避免AI直接修改测试文件，每次测试时直接恢复。

验证工具

test_scripts.sh：运行测试套件，检测错误、验证修复
test_parser.py：解析测试输出结果，每个测试ID映射到结果。

Bug Injector Agent

目标

探索仓库，生成高质量、适配Solver的Bug，并给到Bug Solver。

Bug制造策略

代码移除
- 删掉某个文件、删掉大段核心逻辑
- 迫使Solver重写代码，功能开发。
历史回滚
- AI 去翻阅历史Git Log，找到以前的修改，撤销，重新引入旧 Bug
- 利用人类程序员的历史智慧。
高阶Bug
- Injector制造Bug，Solver失败的解法，这个烂代码就变成新Bug 题目。
- 优点：非常真实(人类就这样的)，多样性好、覆盖全

约束和质量控制

约束条件
- 避免低级情况：直接删除某函数，直接报错缺乏xx函数
- 删除函数后，需修改调用地方，保证代码能跑通，但结果是错的。
质量控制
- 设置最小文件更改数
- 必须有测试失败(有bug)，必须有测试通过(环境没崩)

一致性验证

基础检查
- 测试文件检查：AI指导的测试文件是否真存在，而不是幻觉。
- 解析器检查：AI写的python解析脚本能不能跑。
- 脚本检查：在源代码库上运行测试，必须通过。
Bug质量检查
- 规模检查：修改的文件数量 不能太少(如5个)
- Bug检查：注入Bug后，必须有测试Fail
隐蔽性检查
- 注入Bug，删掉部分测试，原报错消失
逆向高级检查(无冗余检查)
- 避免AI注水无关紧要的更改，剔除冗余代码。
- 所有文件都改坏，然后逐个恢复，检查Bug是佛会减少。

Bug Injector 奖励学习信号

概览

一致性反馈：生成正确可用的Bug。
Solver反馈
- Solver 秒解决 - 题目太简单：Injector 得分低
- Solver 解不开 - 题目太困难：Injector 得分低
- 寻找处于Solver能力边界上的难题

公式

权衡Bug一致性和Solver解决率(s)， $α = 0.8$ 超参 $r_{inject} = {\begin{cases} - 1, & 一致性验证失败 \\ - α, & s \in {0, 1} \\ 1 - (1 + α) \cdot s, & 0 < s < 1 \end{cases}$

修复Bug(Solver)

Bug Solver Agent

Bug 代码构建

注入Bug：应用bug_inject.diff
掩盖测试：应用test_weaken.diff
高阶Bug(可选)：应用pred_patch.diff
销毁证据：不能保留.git 历史，防止Solver查看git diff或 git log

Prompt 设计

Issue 很难写、数据少，因此不使用自然语言描述。
给模型看代码差异：test_weaken.diff的反转版。
- 请修复源代码，保证把这个测试加回去，代码能跑通。

修复过程

输入：坏代码库 + 请修好它的初始Prompt
过程：思考 -> 调用工具 -> 环境交互运行测试，迭代循环
输出：pred_patch.diff

奖励设计

所有测试都通过，得1分。 $r_{solve} = {\begin{cases} 1, & 通过所有测试 \\ - 1, & 其他 \end{cases}$

对抗奖励

Solver：受益于更高的解决率
Injector：受益于更低的解决率

实验设置(对抗联合学习RL)

✍️实验设置

实验设置

基础模型

CWM-sft-32B，没有RL训练过

训练任务/数据

Baseline：人类的Issue + RL，仓库可能是SWE-B-Verified + SWE-B-Pro里的。
Self-PlayRL：SSR

评测任务/数据

SWE-Bench-Verified, SWE-Bench-Pro
超参：温度=1，topp=0.95

算法/策略

对抗式联合RL训练。1个LLM，同时生成Bug和修复Bug。
大Batch、尽量On-Policy (small-policy-staleness)，让梯度更新更稳定
- 去掉超过8 off-policy的数据
CWM scaffold：bash + search-replace 编辑器

超参

512 H100，64卡训练，448卡Rollout
128k
Global Batch Size：16M token，整体150步，2.5B tokens

关键结果(CWM-32B-sft + 对抗RL)

🍑关键结果

关键结果

模型效果(CWM-32B-sft)

在SWE-V和SWE-Pro上，SSR方法都超过RL+人类Issue训练的模型，但也没高多少。
SWE-V达51.4分，SWE-P达28.9分。

重要结论

Self-Play RL比Repair/Injection-Only RL 性能更好，Inject-Only 效果最差。
大幅删除代码的Bug更好比仅改一行代码的Bug的好。后者太简单，学习信号弱。
由于共享1个Policy，Solver解决率信号 对训练效果影响不大。

关键贡献

Self-Play-RL思想，只需环境+代码， LLM自我博弈，写Bug+修Bug，联合RL训练。

未来方向

⛳ 未来方向

未来方向

不足点

Solver可能会作弊，面向测试编程。因为读取了所有测试用例
- Public Tests 给AI看, Private Tests实际测试。
测试单一，仅靠单元测试。
- 引入高级验证标准。
Injector和Solver是同1个模型，可能导致思维趋同。
- 引入不同模型博弈，MoE等。

Self-Play 研究方向

更聪明的出题方法。
- 需要指定Seed，给Injector指定目标，避免随机重复写Bug，保证多样性。
合成复杂的多步骤SWE任务。
- 多上下文回放、上下文压缩、高阶Bug升级等。
更高效的Long-Horizon SWE训练方法。
- 目前很长+Outcome RL，存在信用分配问题。
- 每跑一公里，就自我检查一下。
- 给出结构化建议，比如某一步出错等。

(2511) SkyRL-Agent(39分)

🌺 论文摘要

SkyRL-Agent 论文摘要

参考链接

paper, SkyRL代码, SA-SWE-32B, doc, R2E-Gym, 论文笔记

核心方法

SkyRL-Agent 框架：Tool-接口 + 异步Dispatcher + 桥接后端
SWE-RL实验：AST工具增强鼓励检索 + 增加环境提示信息 + On-Policy + 留一法优势估计
数据：4.5k R2E-Gym ，Scaffold：Simple ReAct Agent

模型效果(Qwen3-32B + RL)

纯RL，SWE pass@1 达 39分，相比基模提升15pt。
超过DeepSWE 36分 (报告42分)，训练成本降一半。
弱于蒸馏模型 SWE-Agent-LM-32B 38分。
泛化性：Terminal-Bench(+2.5%), BrowseComp-Plus(+1.3%), WebArena(+1.2 turns)

重要结论

关键贡献

SKyRL-Agent 框架。SkyRL-Agent-SWE 开源实现。

(2511) InfCode(没训练模型)

🌺 论文摘要

InfCode 摘要

参考链接

paper, 论文笔记

核心方法

框架：对抗式PatchGeneration + Patch Selection
- 对抗生成代码和单元测试：TestGenerator + CodeGenerator，
没有训练模型。

模型效果

Claude4.5 + InfCode：SWE-Verified 79.4分。不知尝试了多少次。
轻微超过TRAE+DoubaoSeedCode 78.8分

重要结论

对抗生成贡献4pt，选择贡献8pt。

关键贡献

对抗Bug修复和测试生成的迭代修复框架。
虽然没有训练模型，但思路挺好的。
后来的Self-Play SWE-RL 就和其思路相同，但区别是使用了RL训练。

❓问题背景

问题背景

生成测试比较弱

不仅依赖原测试，而依赖生成的测试。
但生成测试：比较弱、无法覆盖边缘+核心情况、导致代码Genertor过拟合等。
根本原因：把测试生成和Bug修复，作为2个分散的步骤，缺乏联系和验证。

📕核心方法

Patch Generation

Test Generator

生成测试，找bug，找边缘/核心bug

Code Generator

生成代码，修bug，迭代编辑代码

对抗式迭代修复

当Code Patch通过测试用例时
- Tes tGenerator：重新分析问题，识别边缘/不足的地方，生成更强的测试用例。
- Code Generator：重新优化代码，以通过测试。
迭代次数：设置上限

Patch Selection

Patch集合：选择所有阶段的Patch，并非只选择最后一个阶段的Patch
验证方法：放到真实环境中去做执行。
选择：通过原测试 + 通过加强版测试

✍️实验设置

实验设置

基础模型

DeepSeek-V3, Claude 4.5 Sonnet

训练任务/数据

无需训练

评测任务/数据

SWE-Verified, SWE-light

算法/策略

Scaffold：agent-based, pipeline-based

超参

RL环境

一个Issue 一个Docker环境
工具箱集合
- Bash：执行命令，实现任务自动化，运行测试、管理依赖、构建脚本等。
- 编辑器：文件创建、内容插入、内容替换、指定行检索。
- 搜索器：ripgrep 命令，高效迭代是目录搜索，支持正则表达式
- Submitter：运行git diff 提取并提交补丁内容。
- Executor：工具和Docker容器的接口，转发请求、管理输入输出。

🍑关键结果

关键结果

模型效果(Claude4.5)

Claude4.5 + InfCode：SWE-Verified 79.4分
轻微超过TRAE+DoubaoSeedCode 78.8分

重要结论

InfCode带来提升：InfCode 40.3 > KGCompass 36.7 > Moatless 30。
- 但是你尝试次数也多啊。
对抗生成贡献4pt，选择贡献8pt

关键贡献

对抗多智能体框架。
repo-aware的工具套件：增强理解、真实代码操作等。

⛳ 未来方向

未来方向

(2509) Kimi-Dev(48分)

🌺 论文摘要

Kimi-Dev 论文摘要

参考链接

paper, Kimi-Dev-72B, Kimi-Dev, 论文笔记

核心方法

Agentless 训练(3阶段) + SWE-Agent适配(SFT)。
Agentless训练：BugFixer + TestWriter
- MidTrain：Diff Patch + PR Commit + 定位推理合成数据 +agent交互合成数据
- CoT SFT ：DeepSeek-R1 蒸馏(SWE-Gym, SWE-bench-extra)
- CodeEdit RL：执行结果奖励 + 难度课程学习 + 正样本强化
SWE-Agent适配：5.7k SWE-smith 轨迹数据做SFT
训练数据：是不可能开源的。

模型效果(Qwen2.5-72B-Base)

Agentless 训练 SWE-verified Pass@1 48分，TTS(40) 达60分。
SWE-Agent SFT适配
- Pass@1 48分，优于SWE-Agent-LM-32B 40.2分；
- Pass@10达74分，优于Agentless Pass@30 73.8分，推理次数仅1/3。

重要结论

Agentless训练可以带来Skill Priors，更好适配SWE-Agent
RL的先验最强：做SFT学的快好、做RL效果也更好。

关键贡献

多阶段CodeAgent训练方法论
- Agentless 训练(MT+SFT+RL) + SWE-Agent适配(SFT)。
- 先从Agentless打基础，再逐步做Agent，模型不偏科、适应性强。

问题背景

❓问题背景

问题背景

SWE 2条线路各有弊端

SWE-Agent/OpenHands：更灵活，端到端难训练
Agentless：流程模块化更好，更易RLVR训练。但探索空间灵活性有限。

Trade-off

不从0开始训SWE-agent，先通过Agentless训练诱导出技能先验。
先用Agentless打基础，再训SWE-agent

Agentless 训练框架(BugFixer+TestWriter)

Agentless 框架

BugFixer

生成patch，解决bug

TestWriter

生成单元测试，复现bug

成功标准

Patch(BugFixer) 通过 测试用例(TestWriter)。修复前：fail；修复后：成功。

依赖2个技能

问题定位：修Bug找源文件；写测试找测试文件。
代码编辑：修Bug改源文件；写测试插入新测试函数。

Mid-Training

MidTrain 概览

Mid-Training

基础配置

模型：Qwen2.5-72B-Base
任务：Next Token Prediction

MidTrain 数据

150B 高质量、真实数据。
数据构成：包括：百万级的Github Issue + PR commit数据。
- Diff Patch数据：50B，类似Agentless
- PR commit 数据：20B，类似SWE-Agent
- 推理交互合成数据：20B，上采样4倍 即80B，包括思考推理、agent交互数据。

超参

Global batch size：256
上下文长度：32k
学习率：2e-5, cosine decay, 2e-6
Warmup：3B tokens, Decay：150B tokens

仓库和PR收集

仓库过滤：低于5star、SWE-bench已包含的仓库。
PR 收集：GithubAPI 查询已合并的PR
- 丢弃废弃、未审核、被替代的PR。
代码变更2种格式
- Natural Diff Patch + PR Commit Pack

Diff Patch 数据处理 (Agentless)

Diff Patch 数据

Diff Patch

Search-Replace 格式，模型最终输出，和Agentless一致。

Issue 描述

PR 关联的Issue内容 或 PR 标题。

PR 过滤规则

仅保留py, md, rst文件修改的PR
仅保留python的diff，重写为search-replace块
删除文件新增和删除的PR。
每个PR 修改的文件 不超过3个。
每个PR的 search-replace 不超过5个。

4 类Prompt 模板 (Agentless)

BugFixer 定位和修复，TestWriter 定位和修复。
作用：用于后续冷启动、RL、TTS。训练时：Prompt做Mask。

最终数据规模

50B DiffPatch 数据

PR Commit Pack 数据处理 (SWE-agent)

PR Commit Pack

Commit Pack 说明

人类的提交序列，每一步包含commit + 代码变更
和SWE-Agent相似

处理逻辑

仅保留py, md, rst文件修改的PR。
每个PR 最多修改5个python文件
过滤开发者签名和Github ID

最终数据规模

20B Commit Pack 数据。

Agent推理数据合成

背景

有代码diff数据，但无思考过程，为什么修改这个文件?

方法

使用LLM去预测修改文件，保留正确预测修改文件的数据。
LLM：Qwen2.5-72B-Instruct
- 但需经过SFT微调提升推理质量
- 微调数据：DeepSeekR1蒸馏的2k数据。
数据：海量Github题目。
筛选：仅保留推理正确的数据。

最终数据规模

10B 推理合成数据

Agent交互数据合成

背景

目的：加强agent能力。
方法：自定义工具，模拟agent-环境交互，不执行，模仿文件系统操作，降低成本。

文件定位 (Agentless Stage1)

自定义模拟工具：
- 仅允许文件查看和关键词搜索，禁止shell，无需实际执行。
- 工具集放在SystemPrompt里。
Rollout模型：Qwen2.5-72B-Instruct。
对应后续训练策略：
- 仅对SystemPrompt做Loss Mask，轨迹的action和observation都做学习训练。
- 一般环境返回是需要mask的。但这里保留，是为了学习理解环境返回结果。

代码编辑 (Agentless Stage2)

定位结果来自stage1，现在进入stage2做代码编辑。
负样本训练
- 故意给出定位错误文件，手动注入Pattern：我意识到，不需要修改这个文件。
- 增强模型反思能力。
PR Commit Pack 转换成轨迹形式
- Commit：推理步骤。
- Code Update：动作，str_replace、insert工具格式。
Rollout模型：Qwen2.5-72B-Instruct。

最终数据规模

10B Agent交互数据。

LongCoT 冷启动

冷启动

冷启动数据蒸馏

任务：SWE-Gym, SWE-bench-extra
角色：Bugfixer， TestWriter
蒸馏模型：DeepSeek-R1-250120
数据量：BugFixer大约2k？

SFT 效果

获得推理技能：问题分析、方法规划、自我完善、探索替代方案等。

Code-Edit RL

RL 策略

背景

经过MidTrain+LongCoT SFT，模型已具有较强定位能力。
RL仅关注：代码编辑。

数据集

数据源：SWE-Gym, SWE-bench-extra ?
每1个Prompt均有1个环境。
数据多样性：使用多种 Bug定位结果，作为LLM输入。
数据难度(课程学习)
- 难题标准：pass@16=0
- 简单数据集：1.2k，
- 难数据：除开简单的

RL策略(GRPO)

奖励：只看执行结果，0、1，不看格式注释等内容。
- BugFixer：通过所有测试得1
- TestWriter：Fail2Pass。修复前： 有Bug；修复后：无Bug。
课程学习
- 先只学简单，待分数超过阈值，再逐渐加入难样本。
- 每100step 加入500难样本。
正样本强化
- 后期性能进入平台期，很难探索新解法。
- 使用之前的正样本，加入迭代，做强化巩固记忆，冲刺效果。

正样本强化后期训练要稳定一些。

RL 环境

Sandbox

并发度

支持1w 并发，2.5w docker镜像(来自各种数据集)

特点

Use-and-Destroy：沙盒只为1次执行，任务跑完后，立即摧毁。
一套自动构建镜像的流水线。

技术栈 (K8s + Sdecar)

Kubernetes(K8s)：行业标准，容器编排，管理2.5w docker
Sidecar Pattern：边车模式
- 主容器：跑具体任务代码
- Sidecar容器：辅助工作，收集日志等。

SWE-Agent 适配

SFT 适配

SWE-Agent 适配

背景

Kimi-Dev 基于Agentless训练，已有Skill Priors
但SWE-Agent自由性更高，希望适配SWE-Agent

方法

SFT 数据集：SWE-smith 轨迹数据，5.7k (Claude蒸馏)
SFT 微调：64k
推理时：128k + 100轮交互。

Skill Prior 验证

技能先验

背景

原则：先验越好，给一点数据，应该就快。
测试方法，基于SWE-Agent
- SFT实验：给不同数量数据做SFT。
- RL实验：做1步SFT，然后做RL。
对比：Base、MidTrain模型(MT先验)、SFT模型(SFT先验)、RL模型(先验)。

RL 模型 (RL先验)

RL先验最好，SFT训练 学的最快、效果最好。
更擅长做长线任务：LongCot转化为Agent长交互能力。
- RL 模型到70步，仍然可解新问题；对比Base止于50步。
RL实验上，RL先验也比SFT先验 好。RL自行悟出解题模式 ，不同于Claude。

Mid-Train 模型 (MT先验)

SFT 起步慢，但只要数据够，很快追上第一梯队。
直接做RL，不会使用工具，没有正反馈，训练直接崩溃。说明：冷启动+RL是必要的。

SFT 模型 (SFT 先验)

Zero-Shot比RL强，但200条数据时，容易过拟合死记硬背。

Test-time self-play

背景

RL之后，模型已掌握BugFixer和TestWriter能力。
测试时，使用self-paly来协调2种能力。

生成阶段

遵循Agentless，为每个实例生成40个patch和40个测试。
BugFixer：第1个：贪婪解码；剩余39个：温度=1 采样，保证多样性。
TestWriter：独立生成40个测试。仅保留代码没修复时能报错的单元测试。
- 过滤：去掉没有报错的测试。

验证阶段

解法Patch集合： $B$ ；单元测试集合： $T$ 。
每个Patch $b_{i}$ ，去验证每1个单元测试 $t_{j}$ ；针对有无补丁2种情况
- 分别记录下报错数 $F (j)$ 和通过数 $P (j)$
- 并计算Fail2Pass, Pass2Pass数量。
最终Patch $b_{i}$ 的得分：高FP率 + 高PP率，能修bug + 不会破坏原有功能。
$S_{i} = \frac{\sum_{j} F P (i, j)}{\sum_{j} F (j)} + \frac{\sum_{j} P P (j)}{\sum_{j} P (j)}$

Self-play 效果不如 Pass@N，优于投票。

实验设置(MidTrain+SFT+RL)

✍️实验设置

实验设置

基础模型

Qwen2.5-72B-Base

训练任务/数据

MidTrain：150B token，DiffPatch + PR Commit + 推理数据 + 交互数据
LongCoT SFT：2k+数据，SWE-Gym + SWE-Bench-extra
Code-Edit RL：1k数据，SWE-Gym + SWE-Bench-extra

评测任务/数据

SWE-Verified

算法/策略

Agentless 框架 ：BugFixer + TestWriter，都依赖定位和编辑能力。
Mid-Train：NTP任务，Diff+PR+推理+交互模拟(文件定位和代码编辑)。
SFT：DeepSeekR1 + 2角色蒸馏，提升推理技能。
RL (GRPO)：结果奖励 + 难度课程学习 + 后期正样本强化

超参

RL： rollout=10，64k

关键结果(Qwen2.5-72B-Base, MidTrain+SFT+RL)

🍑关键结果

关键结果

模型效果(Qwen2.5-72B-Base)

Agentless 训练：SWE-verified pass@1 48分，使用TTS(40)后，达60.4分。
SWE-Agent SFT适配：
- SWE pass@1 48分，优于SWE-Agent-LM-32B 40.2分。
- SWE Pass@10 74分，优于Agentless Pass@30 73.8分，推理次数仅1/3。

重要结论

Agentless训练可以带来Skill Priors，更好适配SWE-Agent
RL的先验最强：做SFT学的快好、做RL效果也更好。
RL性能和回复长度正相关。

关键贡献

多阶段CodeAgent训练方法论。Agentless 训练(MT+SFT+RL) + SWE-Agent适配(SFT)。
- 先从Agentless打基础，再逐步做Agent，模型不偏科、适应性强。

MidTrain各阶段，使用2k 冷启动数据后，评测SWE

RL 效果和训练长度有关。

未来方向

⛳ 未来方向

未来方向

TestWriter 改进：目前生成测试不够全面，需提升质量。
端到端SWE-Agent RL：目前Agent仅做了SFT，未来可做RL。
环境扩展：利用合成环境进一步扩大训练数据规模。

(2508) SWE-Swiss(45分)

🌺 论文摘要

SWE-Swiss 论文摘要

参考链接

SWE-Swiss Blog, SWE-Siwss, datasets, 论文笔记

核心方法

3任务SFT数据构建：问题定位+ 问题修复+ 测试生成
2阶段训练方法：3任务SFT + 2阶段RL 课程学习，难样本：过滤正确率>90的数据。
3任务-SFT 10k轨迹 (蒸馏DSR1)，Bug修复-RL 12k，来自SWE-Gym,SWE-smith等。
TTS方法：EM + GT代码相似度。
Scaffold：Agentless，不是Agent

模型效果(Qwen2.5-32B-Instruct, SFT+RL)

SWE-Verified SFT达36，RL达45，RL提升9pt，增加TTS(best-120) 达60分。
在通用任务、Math任务、代码生成任务上，均有提升。

重要结论

虽然训练3任务用SFT，但也可用RL做定位，也很有效果，后续可以基于此。

关键贡献

开源数据代码

❓问题背景

问题背景

Agentless 把SWE分解为固定workflow
如何通过提升各子任务能力，来提升SWE效果？

📕核心方法

核心方法

核心思想

提升3技能：定位、修复、单元测试生成。
2阶段训练
- 3任务SFT：分别构造SFT数据
- 2阶段RL：通过执行反馈 提升修复能力

3任务SFT数据构建(定位+修复+测试生成)

定位+修复+测试生成 SFT数据构建

背景

通过提升3任务能力，来提升SWE能力。
模型：均使用DeepSeek-R1-0528做蒸馏模型。

问题定位

数据源：SWE-Bench、SWE-Gym-Raw
提取GT修改文件。
LLM预测修改文件。
- 输入：Issue + 项目结构；输出：需要修改的文件
筛选标准：recall=1 + 预测文件数<5
最终：5.3k 定位数据。

问题修复

数据+环境：SWE-gym、SWE-smith。
LLM预测Patch。
- 输入： Issue + GT修改文件 + 相关文件；输出：Patch
筛选标准：单元测试。保留通过的。
最终：3.9k 修复数据。

测试生成

数据源：SWE-gym、SWE-smith，同问题修复数据。
LLM生成单元测试。
筛选标准：实际执行测试结果，需和原测试保持一致。
最终：1k 单元测试生成数据。

2阶段训练(3任务SFT + 2阶段RL)

2阶段训练 (SFT + RL)

3任务SFT

10k SFT数据集。
把不同的多任务能力，训进一个单模型。

2阶段RL (课程学习)

奖励设计：通过单元测试：1，其他：-1
阶段1：训200步，全部数据。
阶段2：训90步，过滤正确率超90%的样本。

测试和TTS

TTS

单Patch生成

2阶段 定位 + 修复。
- 定位模块：先预测相关文件
- 修复模块：预测文件 + 检索文件 --> 生成修复Patch，检索使用text-embedding3-small

多Patch + TTS

核心：生成多个patch + 过滤patch + 选择最优patch。
过滤patch：原测试过滤 + 生成测试过滤
- 生成测试：Issue+预测相关文件，生成测试用例。测试用例通过一致性选择过滤。
最优patch选择：
- 传统self-consistency：基于EM做投票选择，数学居多。
- 增强self-consitency：除EM以外，增加与GT代码相似度得分。
  $Score (c) = {Score}_{EM} (c) + {Score}_{Sim} (c)$

实验设置和结果(Qwen2.5-32B-Instruct+SFT+RL)

✍️实验设置

实验设置

基础模型

Qwen2.5-32B-Instruct

训练任务/数据

SFT(定位+修复+测试生成)：10k 数据
RL(修复)：SWE-Gym, SWE-smith

评测任务/数据

SWE-verified

算法/策略

Scaffold：Agentless
3任务SFT + RL
DAPO技巧：no kl loss，clip_higher, 动态采样，token-level loss

超参

🍑关键结果

关键结果

模型效果(Qwen2.5-32B-Instruct, SFT+RL)

SWE-Verified SFT达36，RL达45，RL提升9pt。
增加TTS后，Best-of-120：达60分。
在通用任务、Math任务、代码生成任务上，均有提升。
- Instruct < SFT < SFT + RL

重要结论

虽然训练3任务用SFT，但也可用RL做定位，也很有效果，后续可以基于此。

关键贡献

完全开源。

⛳ 未来方向

未来方向

(2508) NEBIUS SWE-Agent (39分, 筛选SWE-rebench数据)

🌺 论文摘要

NEBIUS-SWE论文摘要

参考链接

paper, blog, nebius datasets, 笔记

核心方法

SWE-rebench数据筛选：过滤有误数据+控制复杂度+LLM质量评估+确定性测试
数据：7k任务 + 自蒸馏6.5k轨迹数据 + Verified-50做快速验证
RFT冷启动： Mask错误格式动作，仅学习有效动作。
2阶段RL课程学习
- 65k -> 131k，7k全部样本 -> 2k难度样本
- 难样本：过滤阶段1 正确率 > 2/3、正确率=0的样本
DAPO技巧
- 超长步数惩罚 + 去掉0优势样本 + Token-level Loss，阶段2减小CLIP-Higher
- 步数惩罚：鼓励高效和惩罚死循环动作
Scaffold：SWE-Agent

模型效果 (Qwen2.5-72B-Inst, SFT+2RL)

训练后，SWE pass@1达39分，pass@10达58分，持平DeeepSeek-V3-0324

重要结论

不要过滤超长样本，要惩罚死循环。
训推不一致：采样topk, topp导致词表被截断，解法：关闭filter。
未来难题方向：长程信用分配问题、盲目自信问题。

SWE方法及挑战

❓问题背景

目前SWE方法

复杂的scaffold + 闭源LLM
大量的Test-Time-Scaling技术，(2410)SWE-search
使用强LLM做数据蒸馏 微调小模型
- (2504) SWE-smith, (2506) Skywork-SWE, (2412) SWE-Gym

SWE 存在挑战

Long-Horizon 多轮交互
- 2阶段RL，YaRN 技术扩展至131k
反馈复杂：反馈一大堆报错，可能看不懂
- RFT 冷启动
数据难以构建
- 对策：使用rebench做清洗，一套清洗策略
奖励稀疏
- 对策：GRPO/DAPO，Token-Level Loss
评估贵且有噪声：跑1次要几分钟，还学不到东西；
- 对策：Verified-50子集、去掉Noisy不稳定数据

核心方法

📕核心方法

筛选 SWE-rebench数据

SWE-ReBench 数据筛选

SWE-ReBench

原始：21k任务 + 3.4k python仓库
筛选后：7.2k 任务

数据筛选策略

过滤任务本身有误的数据：如属性错误、引用错误导致不能通过测试等。
控制复杂度：修改文件数<7 + 修改代码数<500行
LLM评估质量：去掉问题描述不清楚、任务过于复杂、test patch有问题的数据。
确定性测试：执行50次，需要结果一致，不一致则过滤。

评测集

Verified-50：从SWE-verified 随机选择 50个任务，做训练时验证。
SWE-rebench 5月和6月版：

环境动作空间 (SWE-Agent Scaffold + ReAct)

SWE-Agent Scaffold + ReAct

动作空间

任意shell命令：ls, cat, grep等。
编辑命令：新闻部替换指定行
自定义搜索和查找：search_file、open、`goto
submit：终止

SWE Task

Issue描述、测试套件、sandbox 环境快照

RFT冷启动 (筛选正确轨迹+Mask错误动作)

Rejection Finetuning 冷启动

背景

Qwen2.5-72B-Instruct：SWE 仅11分，因为指令格式不遵循。

方法

在选定的SWE-rebench任务上，Rollout 10次，仅保留成功的6.5k轨迹
SFT 1个epoch：Mask 错误格式动作，只学习有效动作。
准确率由11提升至20分。

DAPO算法+2阶段RL训练

GRPO 算法配置

奖励配置

整体奖励：稀疏奖励 + 步数超长惩罚，全部正确才为1
$R_{final} (τ) = R_{(} τ) + R_{length} (τ)$
步数超长惩罚：惩罚死循环 + 鼓励高效方案
- $T_{max}$ ：最大步数， $L_{thr}$ ：开始惩罚的阈值。类似DAPO 长度超长惩罚。
$R_{length} (τ) = {\begin{cases} 0, & | τ | < L_{thr} \\ \frac{L_{thr} - | τ |}{T_{max} - L_{thr}}, & | τ | \geq L_{thr} \end{cases}$

GRPO 算法配置

整体同DAPO：token-level-loss
Group-10 计算，但去掉优势为0的样本。
rollout=10

2阶段RL训练

2阶段RL训练

阶段1：65k，40轮，7.2k问题，bs=128，clip=[0.2,0.3]，构建baseline
阶段2：131k，80轮，2k问题，bs=256，clip=[0.2,0.26]，处理更复杂问题

阶段2优化

降低clip上限：更新更稳定，防止模型跑偏，(2506) Magistral
增加问题难度：(2506) 课程RL学习(E2H Reasoner)
- 去掉成功率>2/3的任务
- 去掉成功率一直为0的任务
增大batch size：梯度计算更准确，(2505) Skywork-OR1
减少每次迭代采样的实例数量：平衡开销。
以上来自推理模型训练经验

实验设置(SFT+2阶段RL)

✍️实验设置

实验设置

基础模型

Qwen2.5-72B-Instruct

训练任务/数据

从SWE-rebench清洗的7.2k 数据

评测任务/数据

SWE-verified

算法/策略

RFT 冷启动 +2阶段RL训练 (65k -> 131k上下文)
Scaffold：SWE-Agent

超参

具体见RL算法配置
H200，8卡 * 16节点，每节点32核CPU、960GB CPU内存。

SWE环境

agent执行：Kubernetes集群，每个实例 0.5 CPU + 2GB内存
评估：云平台 TractoAI

关键结果(Qwen2.5-72B-Inst + SFT+2阶段RL)

🍑关键结果

关键结果

模型效果 (Qwen2.5-72B-Instruct, RFT+2RL)

RFT 冷启动微调：SWE-verified 达20分
2阶段 RL训练：pass@1达39分，pass@10达58分。
RFT+2RL后： 效果持平 DeepSeek-V3-0324，低于235b-Inst-2507，超过Qwen3-235B。

重要结论

不要过滤丢弃超长样本：实际丢弃了超长负样本，导致死循环得不到惩罚。
训推不一致导致训练崩溃
- 原因：top-k, top-p导致词表被截断，计算IS权重时分布不匹配。
- 解法：关闭filter，温度设为1
- DeepSeek-V3.2 保持采样Mask 解决训推不一致问题：保持采样Mask

SWE 难题未来方向

⛳ 未来方向

未来方向

稀疏奖励和信用分配问题

背景：长轨迹难以分配奖励信号。
未来方向：
- Reward Shaping：设计中间奖励，通过部分测试用例、减少编译器保持数量等。
- 训练辅助Critic：提供step-level的优势估计，实现细粒度更新
- 前缀采样：从共享非空前缀开始进行多次Rollout，更好知道中间动作哪个动作更好

不确定性和风险感知(盲目自信)

背景：稀疏二值奖励鼓励agent提交patch：可能表现得很自信，但结果不正确
现实：需要识别何时该放弃。
方法：
- 模型显示输出置信度分数
- Agent自主决定是否重新尝试：自主 Best-of-N 选择

(2508) DeepSWE (42分, Agentic)

🌺 论文摘要

DeepSWE 摘要

参考链接

blog, DeepSWE, rllm-deepswe, R2E-Gym-Subset, rllm, 笔记

核心方法

Kubernates R2E环境集群 + R2E-Gym 4.5k数据 + 环境执行反馈
GRPO++算法：
- DAPO技巧：Clip-Higher+去除KLloss+ 去除熵loss + compact过滤
- Dr.GRPO技巧：优势不除以标准差 + 去掉序列内Token平均
- RLOO技巧：留一法计算优势
Hybrid TTS：执行验证 + 免执行验证
SWE-Agent

模型效果(Qwen3-32B, RL)

Qwen3-32B 经GRPO++优化后，SWE-verified 达42分，TTS达59分。

重要结论

用Claude蒸馏来SFT模型，SWE仅34分，低于SWE-Agent-LM 40分。
用SWE-Smith和SWE-Gym数据做RL，提升有限。
R2E-Gym 很适合做RL，较好课程学习。

关键贡献

开源。

问题背景

❓问题背景

问题背景

Agent：通过工具调用和真实环境交互，环境给予反馈、奖励信号。
Code Agent：IDE工具(Bash+文件搜索+文件编辑 + 文件浏览)等。

Agent

Code Agent

核心方法

📕核心方法

SWE环境(Kubernates集群)

SWE 环境扩展 -Kubernates集群

并发需求

每次RL迭代：512个Docker容器，BS=64、8passes。
并行RL实验：每时刻都有几千个容器在运行。

解决方法

Kubernates集群，每个节点：200 CPU + 6TB local NVME SSD。
可扩展至1000 CPU 集群。

RL设置(动作空间+数据+稀疏奖励)

RL 环境和数据

动作空间

执行Bash：执行命令，返回sdtout和sdterr
搜索：在目录下或对单文件进行搜索
文件编辑：查看、创建、替换字符串、插入、撤销修改等。
完成/提交：LLM决定已经解决PR，结束

数据

R2E-Gym 4.5k数据集，过滤污染数据。

稀疏奖励

1：测试用例全部通过，(Pass2Pass, Fail2Pass)
0：超时或至少有1个未通过
超时时间：5分钟，官方是30分钟。

GRPO++算法(DAPO+Dr.GRPO+RLOO)

GRPO++ (DAPO+Dr.GRPO+RLOO)

相关笔记

DAPO 技巧, Dr.GRPO 技巧, RLOO 技巧

采用 DAPO 技巧

Clip-Higher：鼓励探索和防止熵崩塌
移除KL Loss：避免LLM受原始SFT影响限制探索空间
移除熵 Loss：会增加不稳定性，导致熵增加，训练崩溃。如果基模熵在0.3-1，就无需熵loss
Compact 过滤：对达最大长度、超时、达最大步数的数据，Mask Loss

采用Dr.GRPO 技巧

优势不除以标准差：消除任务难度偏差
去掉序列内平均，消除长度偏差，其实就是DAPO的Token-Level-Loss

采用RLOO 技巧

留一法计算优势

Compact 过滤：

Hybrid TTS (DeepSWE-Verifier)

TTS 相关工作

DeepCoder-14B-Preview
- 16k -> 32k ->64k，LiveCodeBench效果：54 -> 58 -> 60.6，
Skywork-SWE
- 从头36提升至47分，Best-of-3
- rollout3次，由OpenHands critic model来选择最优轨迹评测。
R2E-Gym TTS
- 先基于免执行验证选出top-n，再基于执行验证做最终排序。
- 从34.4提升至51分。

Hybrid TTS方法

Hybrid TTS

不执行验证
- 不执行，由LLM选择最优轨迹。
- DeepSWE Verifier：在正确和错误patch上，训练2epoch，识别正确和错误
执行验证
- 由LLM生成测试用例，用例通过最多则为最优轨迹
混合方法。

TTS 参数

上下文长度：16k -> 32k -> 128k，超过32k 收益就比较小
Rollout数量：8、16等

不执行和执行两种方法对比：

TTS 对比：

最大输出token对比

实验设置(GRPO++)

✍️实验设置

实验设置

基础模型

Qwen3-32B

训练任务/数据

R2E-Gym 子集 4.5k任务，并做污染过滤

评测任务/数据

SWE-verified，官方R2E-Gym代码库来评估
超参：100步，64k上下文
指标：pass@1 avg16， best@8, best@16
TTS策略：免执行方法 + 执行免执行混合方法

算法/策略

GRPO++ (多种策略)，R2E-Gym Scaffold

超参

上下文长度：16k -> 128k，其中32k效果很好了，后期收益不大
训练：32k、50轮；测试：64k、100轮
Rollout：16、8等，做了多组实验
64张H100，训练6天。

关键结果(Qwen3-32B + RL)

🍑关键结果

关键结果

模型效果(Qwen3-32B, RL, SWE-V指标)

GRPO++后，SWE pass@1 42.2分 ，pass@16 71分，TTS best@16 59分
DeepSWE-Preview-32B

重要结论

使用Claude3-4蒸馏数据做SFT，仅34.4分，低于SWE-Agent-LM 40分。
使用SWE-Smith和SWE-Gym数据集，但提升有限，训练中无解率很高
相反R2E-Gym很适合RL，提供足够的课程学习，随时间推移解决越来越难的问题。

未来方向

⛳ 未来方向

未来方向

更大模型：比如DeepSeek-R1
更长上下文：
扩展到不同领域的agent

(2512) Devstral2(72.2分)

Devstral2 摘要

参考链接

Devstral-Small-2-24B-Instruct-2512, devstral-2-vibe-cli, 笔记

模型效果

模型小且效果好
- 256k、Dense模型，比Kimi/DeepSeek都小很多。
- Devstral2：123B，72.2 SWE-verified。
- Devstral Small2：24B，68 SWE-verified。
但仍落后于闭源模型。

关键结论

支持探索代码库、跨文件协调更改、架构级上下文
支持 Mistral Vibe CLI 工具。

(2505) Devstral(46分, tts3指标)

🌺 论文摘要

Devstral 摘要

参考链接

devstral, mistralai/Devstral-Small-2505, paper, 笔记

核心方法

SFT轨迹数据合成方法：基于环境探索+单元测试验证，保留正确轨迹
- 模式：CoT+代码执行，OpenHands + SWE-Gym
- 具体数据没细讲，类似 DeepSeekV3.2 自蒸馏冷启动
Post-Training方法：简单过滤SFT、严格过滤SFT、RL训练。
OpenHands

模型效果

Devstral-small-24B模型，SWE达46分，迭代式 Best-of-3指标。

❓问题背景

问题背景

开源模型在代码片段生成效果好，但在复杂、多步骤SWE任务表现不好。
Coding Agent需要迭代开发、debug、集成软件工具等能力，大都依赖闭源模型。

核心方法(环境探索SFT数据+多阶段SFT+RL)

📕核心方法

核心方法

模型架构

基于Mistral-Small3 开发：24B，40层，GQA，128k

基于环境探索构建SFT数据

目标：Cot推理+code执行能力
Agent框架：OpenHands CodeAct scaffold；SWE环境：SWE-Gym
模型基于以上环境去探索，基于单元测试验证，仅保留高质量正确轨迹数据。

Post-Train(SFT+RL)

SFT：大量数据微调(简单过滤)，高质量数据微调(严格过滤)
RL：使用SFT模型生成新数据，再去做RL训练。
论文不清楚。

实验设置(SFT+RL)

✍️实验设置

实验设置

基础模型

Mistral-Small3 24B

训练任务/数据

没说

评测任务/数据 (SWE-Verified)

OpenHands Scaffold：安全的沙盒环境，代码、bash、网页浏览(本实验禁用)。
Best-of-3作为pass@1：第1次(温度=0)，第2、3次(温度=0.1)
- 一般做法：多次取avg 作为pass@1
评测时的交互轮数：50轮效果好，100轮也没有提升。30轮低10个点。

算法/策略

SFT + RL
OpenHands

超参

128k

关键结果(Devstral-small-24B + SFT+RL)

🍑关键结果

关键结果

模型效果

Devstral-small-24B SWE达46分，超越一众顶尖模型。
- Qwen3-235B(25), DeepseekR1V3(40+), GPT-4.1-mini(23.6), Claude3.5-Haiku(40.6)。

重要结论

评测交互轮数：50轮 效果好46分，30轮仅36分。
温度0.1和0.4比较好，0.7和1.0反而Pass@4还低了。

⛳ 未来方向

未来方向

新版本优化：2507比2505好
- 优化数据生成和筛选过程：提升数据质量
  - 微调数据过滤机制：可能不仅看是否单元测试，还会看代码风格、步骤冗余度等。
- 不同脚手架支持：构造伪脚手架.
- 多格式训练：增加XML格式、原生函数调用格式等。

(2502) SWE-RL (Meta)

🌺 论文摘要

SWE-RL 摘要

参考链接

paper, swe-rl, 笔记

核心方法

GithubPR数据收集构建方法：仓库事件克隆 + PR聚合 + 预测相关文件 + 数据过滤
- SWE-RL PR数据：27.3w
AgentSFT数据合成方法：PR种子筛选 + 定位数据合成 + 编辑数据合成
SWE-RL方法：LLama3-70B + GRPO，不执行环境，采用Patch相似度来做奖励信号
Agentless Scaffold

模型效果(LLaMA3-70B, RL, SWE-Verified)

LLama3-SWE-RL-70B：SWE-Verified 41分，在100B模型下效果最好，
SFT 达36.2分，效果也不错。
未使用闭源LLM蒸馏技术，纯开源数据。

重要结论

RL比SFT效果好。
Best-of-N 越大越好，但后期逐渐收敛。
DenseReward 比Sparse Reward好。

整体流程如下

问题背景

❓问题背景

问题背景

问题

SWE 进展：repo-level 代码生成、Issue Resolution(SWE Bench)。
SWE-Bench：主要依赖私有模型GPT-4o, Calude-3.5，开源模型很少。
- DeepSeekR1 RuleRL很强，但是SWE任务效果不行。
传统规则奖励难以直接应用到SWE任务。
- 数学：EM匹配；
- 代码：竞赛题，单代码文件、容易执行；SWE：有依赖，不是自包含的。

SWE 相关工作

(2411)Lingma-SWE-GPT：迭代开发过程，基于Qwen2.5-Coder-7B和Qwen2.5-72B-Instruct 构建。
(2412)SWE-gym：第一个用于开放训练的环境，提升Qwen2.5-Coder-7B/32B效果。
(2501)SWE-fixer：微调Qwen2.5 base，提升best@1性能。

GitHub PR数据收集构建方法

Github PR 数据概览

最终：27.3w 高质量 Gihub PR
每个PR包含：
- Issue描述：问题
- Code Context：所有相关文件 (需要修改 + 不需要修改的)
- Oracle Patch：GT解决方法

Github PR数据收集构建方法

Github Events Clone

目标PR数据：PR中的所有事件、PR之前的源代码。
通过 GHAchive 拉取事件：1501-2412共10年数据
通过GitClone 仓库：包含历史所有commit，共460w repo。

PR 数据聚合

从PR出发，关联Github事件和代码库，仅保留已合并的PR，聚合以下内容
- Issue、用户讨论、Review Comment、出事代码、Commits、代码变更。
保存从merge base到 head commit所有的中间提交和代码变更
扫描所有PR，识别Issue并与对应PR 匹配 (Prompt, Response)。累计 240w PR。

预测相关但未修改文件

问题
- 目前PR仅包含被修改过的文件，但实际预测会检索到很多无关文件
- 如果训练时，只看修改文件，会产生bias。
方法
- 根据Issue+已修改文件，使用Prompt+LLM预测 相关但未被修改的文件列表
- 把这部分 相关但未修改文件列表 加入数据集中。

数据过滤

背景：PR有噪音，需剔除有害PR。但允许一定噪音，尽量召回高质量PR。
过滤规则：
- 过滤机器人PR
- 过滤变更极大的PR
- 细粒度过滤：检查每个代码块 Hunk (参考CodeLLaMA )，确保是在写代码，去掉版本、锁定等内容。
最终：1100w PR -> 27.3w 高质量PR

AgentSFT 数据合成

SFT 数据合成

PR 种子数据筛选

收集高质量PR种子数据：启发式规则筛选

问题定位数据-合成

LLM合成
- 输入：Issue描述 + 仓库结构 + 目标编辑文件 + 相关文件
- 输出： CoT推理生成需要编辑的文件。
- LLama-3.3-70B-Instruct
过滤：仅保留推理正确的答案

代码编辑数据-合成

LLM 合成
- 输入：标准答案和Patch，
- 输出： Search/Replace格式的代码编辑数据。
过滤：保留格式正确 且 search/replace内容正确 (能搜索到)的数据。

相关工作

整体采样Magicoder的OSS-Instruct技术，同Seed-Coder合成数据技术

核心方法

任务Prompt 设计

Prompt 设计

整体

Reasoning + Tool Use 风格。prompts.py
THINKING_SYSTEM + AGENTLESS_REPAIR

THINKING_SYSTEM

强调输出思考过程

AGENTLESS_REPAIR

--- BEGIN ISSUE ---：{problem_statement}，Issue 定义
--- BEGIN FILE ---：{content}，包含相关文件的全部源代码
任务指令：先定位、再修复
输出格式：Search/Replace 协议，严格的Diff格式
样例：

输出样例

python

```python
### mathweb/flask/app.py
<<<<<<< SEARCH
from flask import Flask
=======
import math
from flask import Flask
>>>>>>> REPLACE
```

RL 设计

📕核心方法

核心方法

任务

给定Issue +上下文，进行推理，生成代码变更，把代码变更应用到Patch中。

奖励

不去真正执行，而是对比Patch 相似度。Python.difflib.SequenceMatcher。 $reward = {\begin{cases} - 1, & 格式不正确 \\ compare ({patch}_{pred}, {patch}_{gt}), & 格式正确 \end{cases}$

算法

GRPO + KLLoss

训练和测试存在不同点

训练vs测试不同点

训练

给出所有相关代码文件，隐式强迫模型先找Bug、再做修复。

评测时 (Agentless mini 框架)

完整Pipeline
- Step1 文件定位：bug在哪个文件？
- Step2 测试生成：生成测试用例，来复现bug
- Step3 回归测试：挑出哪些旧测试用例跑一遍，防止改坏了别的地方。
- Step4 修复代码：请写出修复代码
SWE-RL 训练时仅有4，没有1、2、3。但在测试时，有泛化性。

实验设置(RL)

✍️实验设置

实验设置

基础模型

Llama-3.3-70B-Instruct

训练任务/数据

RL：27.3w 构建的PR数据
SFT(Baseline)：合成代码编辑SFT数据 + LLama3代码SFT数据 + LLama3通用SFT数据

评测任务/数据

SWE-Bench-Verified。
温度=1，每个问题生成500个patch
使用top-30测试用例去测试排序，选择第1名的patch去报告 pass@1，其实是Best-of-N。

算法/策略

GRPO，混合SFT(Baseline)

Scaffolding

基于Agentless开发的简化Agentless mini，专注于文件级定位

超参

16k 上下文，batch_size=32，rollout=16，real_batch_size=512
512 张H100，32小时。

关键结果(LLaMA-3-70B + RL)

🍑关键结果

关键结果

模型效果(LLaMA3-70B, RL, SWE-Verified)

LLama3-SWE-RL-70B：SWE-Verified 41分，在100B模型下效果最好，
SFT 达36.2分，效果也不错。
未使用闭源LLM蒸馏技术，纯开源数据。

重要结论

测试 Best-of-N N越大效果越好，后期逐渐收敛。20 -> 160 -> 500：33.6 -> 40 -> 41
DenseReward比Sparse 效果好一些，促进格式和修复。

未来方向

⛳ 未来方向

未来方向

奖励太僵硬：奖励仅靠GT相似度会限制模型探索其他方案，没有真正的执行奖励。
定位粗糙：Agentless Mini 缺乏复杂上下文信息。
流程割裂：Agentless 固定Pipeline，但理想Agent应该是E2E的。

(2405) SWE-agent

🌺 论文摘要

SWE-agent 摘要

参考链接

论文笔记, paper

核心方法

设计Agent-Computer-Interface 范式

模型效果

基于SWE-Agent框架，GPT4-Turbo，SWE-Full-12分，Light-18分
SWE-Agent比标准Shell提高7pt，比RAG提高16pt。

📕核心方法

ACI 接口

Agent-Computer-Interface 范式

搜索和导航工具

find_file, search_file, search_dir ..

文件查看器

open, scroll_down, scroll_up, goto等

智能文件编辑器

edit：在单次操作中进行范围替换，启动自动静态代码检查等(flake8工具)

上下文管理

采用ReAct框架，每个步骤模型给出思考和行动，
仅保留最近5轮交互，历史观察折叠显示，降低上下文窗口压力。

实验设置

✍️实验设置

实验设置

基础模型

GPT-4 Turbo (gpt-4-1106-preview)
Claude 3 Opus (claude-3-opus-20240229)

训练任务/数据

无训练

评测任务/数据

SWE-bench (Full & Lite)：真实Python问题，2.2k-Full, 300-Lite
HumanEvalFix：代码调试/修复任务。

算法/策略

SWE-agent：基于 ACI 的交互式 Agent。
Shell-only：基线 Agent，仅使用标准 Linux Shell。
RAG：基线方法，检索相关文件后直接生成补丁（非交互）。

超参

上下文窗口限制：128k (GPT-4) / 200k (Claude 3)。
预算限制：每个任务最多 $4.00 推理成本。

关键结果

🍑关键结果

关键结果

SWE-Agent 通过ACI显著提升SWE分数，GPT4-Turbo分数如下：
- SWE-Agent：Full-12分，Lite-18分。
- 标准Shell：FUll-, Lite-11分。
- RAG：Full-1.3分，Lite-2.67分。
SWE-Agent：HumanEvalFix 87.7% pass@1
消融实验
- Linter：移除编辑时语法检查，会下降3pt
- 搜索工具：总结性工具比没有搜索工具或繁杂迭代搜索工具效果好。
- 文件查看：显示100行 比全部显示或仅显示30行好。

未来方向

⛳ 未来方向

未来方向

工具扩展：引入更多开发工具，如网页浏览（用于查阅文档）或静态分析工具。
自动化 ACI 设计：目前 ACI 是手动设计的，未来可探索自动化生成针对特定模型或领域最优的接口。
跨领域应用：将 ACI 的设计原则（简化命令、压缩反馈、错误护栏）应用到数据分析、网页导航等其他 Agent 领域。
安全性：研究在沙盒环境中限制 Agent 的行为，防止生成恶意代码或误删文件。

SWE 训练方法 系列

(2512) Self-Play SWE-RL (51.4分, Meta) ​

问题背景 ​

合成数据是静态的 ​

Self-Play结合真实动态仓库 ​

Self-Play SWE-RL ​

核心思想 ​

生成Bug(Injector) ​

修复Bug(Solver) ​

实验设置(对抗联合学习RL) ​

关键结果(CWM-32B-sft + 对抗RL) ​

未来方向 ​

(2511) SkyRL-Agent(39分) ​

(2511) InfCode(没训练模型) ​

(2509) Kimi-Dev(48分) ​

问题背景 ​

Agentless 训练框架(BugFixer+TestWriter) ​

Mid-Training ​

MidTrain 概览 ​

Diff Patch 数据处理 (Agentless) ​

PR Commit Pack 数据处理 (SWE-agent) ​

Agent推理数据 合成 ​

Agent交互数据 合成 ​

LongCoT 冷启动 ​

Code-Edit RL ​

RL 策略 ​

RL 环境 ​

SWE-Agent 适配 ​

SFT 适配 ​

Skill Prior 验证 ​

Test-time self-play ​

实验设置(MidTrain+SFT+RL) ​

关键结果(Qwen2.5-72B-Base, MidTrain+SFT+RL) ​

未来方向 ​

(2508) SWE-Swiss(45分) ​

3任务SFT数据构建(定位+修复+测试生成) ​

2阶段训练(3任务SFT + 2阶段RL) ​

测试和TTS ​

实验设置和结果(Qwen2.5-32B-Instruct+SFT+RL) ​

(2508) NEBIUS SWE-Agent (39分, 筛选SWE-rebench数据) ​

SWE方法及挑战 ​

核心方法 ​

筛选 SWE-rebench数据 ​

环境动作空间 (SWE-Agent Scaffold + ReAct) ​

RFT冷启动 (筛选正确轨迹+Mask错误动作) ​

DAPO算法+2阶段RL训练 ​

实验设置(SFT+2阶段RL) ​

关键结果(Qwen2.5-72B-Inst + SFT+2阶段RL) ​

SWE 难题未来方向 ​

(2508) DeepSWE (42分, Agentic) ​

问题背景 ​

核心方法 ​

SWE环境(Kubernates集群) ​

RL设置(动作空间+数据+稀疏奖励) ​

GRPO++算法(DAPO+Dr.GRPO+RLOO) ​

Hybrid TTS (DeepSWE-Verifier) ​

实验设置(GRPO++) ​

关键结果(Qwen3-32B + RL) ​

未来方向 ​

(2512) Devstral2(72.2分) ​

(2505) Devstral(46分, tts3指标) ​

核心方法(环境探索SFT数据+多阶段SFT+RL) ​

实验设置(SFT+RL) ​

关键结果(Devstral-small-24B + SFT+RL) ​

(2502) SWE-RL (Meta) ​

问题背景 ​

GitHub PR数据收集构建方法 ​

AgentSFT 数据合成 ​

核心方法 ​

任务Prompt 设计 ​

RL 设计 ​

训练和测试存在不同点 ​

实验设置(RL) ​

关键结果(LLaMA-3-70B + RL) ​

未来方向 ​

(2405) SWE-agent ​

ACI 接口 ​

实验设置 ​

关键结果 ​

未来方向 ​

(2512) Self-Play SWE-RL (51.4分, Meta)

问题背景

合成数据是静态的

Self-Play结合真实动态仓库

Self-Play SWE-RL

核心思想

生成Bug(Injector)

修复Bug(Solver)

实验设置(对抗联合学习RL)

关键结果(CWM-32B-sft + 对抗RL)

未来方向

(2511) SkyRL-Agent(39分)

(2511) InfCode(没训练模型)

(2509) Kimi-Dev(48分)

问题背景

Agentless 训练框架(BugFixer+TestWriter)

Mid-Training

MidTrain 概览

Diff Patch 数据处理 (Agentless)

PR Commit Pack 数据处理 (SWE-agent)

Agent推理数据合成

Agent交互数据合成

LongCoT 冷启动

Code-Edit RL

RL 策略

RL 环境

SWE-Agent 适配

SFT 适配

Skill Prior 验证

Test-time self-play

实验设置(MidTrain+SFT+RL)

关键结果(Qwen2.5-72B-Base, MidTrain+SFT+RL)

未来方向

(2508) SWE-Swiss(45分)

3任务SFT数据构建(定位+修复+测试生成)

2阶段训练(3任务SFT + 2阶段RL)

测试和TTS

实验设置和结果(Qwen2.5-32B-Instruct+SFT+RL)

(2508) NEBIUS SWE-Agent (39分, 筛选SWE-rebench数据)

SWE方法及挑战

核心方法

筛选 SWE-rebench数据

环境动作空间 (SWE-Agent Scaffold + ReAct)

RFT冷启动 (筛选正确轨迹+Mask错误动作)

DAPO算法+2阶段RL训练

实验设置(SFT+2阶段RL)

关键结果(Qwen2.5-72B-Inst + SFT+2阶段RL)

SWE 难题未来方向

(2508) DeepSWE (42分, Agentic)

问题背景

核心方法

SWE环境(Kubernates集群)

RL设置(动作空间+数据+稀疏奖励)

GRPO++算法(DAPO+Dr.GRPO+RLOO)

Hybrid TTS (DeepSWE-Verifier)

实验设置(GRPO++)

关键结果(Qwen3-32B + RL)

未来方向

(2512) Devstral2(72.2分)

(2505) Devstral(46分, tts3指标)

核心方法(环境探索SFT数据+多阶段SFT+RL)

实验设置(SFT+RL)

关键结果(Devstral-small-24B + SFT+RL)

(2502) SWE-RL (Meta)

问题背景

GitHub PR数据收集构建方法

AgentSFT 数据合成

核心方法

任务Prompt 设计

RL 设计

训练和测试存在不同点

实验设置(RL)

关键结果(LLaMA-3-70B + RL)

未来方向

(2405) SWE-agent

ACI 接口

实验设置

关键结果

未来方向