arxiv arXiv cs.CL · 1 天前 · research

ExecCritic利用角色特定的强化学习，通过测试引导修复提升编码智能体性能

译自 English → 中文

研究人员推出了ExecCritic，这是一个将测试-验证-修订框架与角色特定的强化学习相结合，以增强编码智能体的框架。该系统将测试构建与源代码修复分离，使用Test智能体生成仓库原生测试，并使用Repair智能体根据执行反馈修订代码。

作者认为这很重要，因为测试质量决定了执行反馈是否有效，而ExecCritic在不要求更强模型或评估时Oracle反馈的情况下实现了显著的提升。

重要性 2/3 具有差异化优势的新评测框架 arXiv cs.CL Microsoft Research Alibaba (Qwen) AI agents Training methods

Benchmarks

Benchmark	模型	得分
SWE-bench Verified	Qwen Test agent (post-trained) + Repair agent (post-trained)	72.6%
SWE-bench Verified	GPT-5.6-sol (Test agent)	65.3%
SWE-bench Verified	Qwen Test agent (post-trained)	62.2%
SWE-bench Verified	base Repair agent (no-test baseline)	61.2%
SWE-bench Verified	base Test agent	57.3%

ExecCritic引入了一种框架，将测试构建与源代码修复分离开来，以防止编码智能体产生虚假的信心。该系统采用一个Test智能体和一个Repair智能体，两者均由Qwen-3.5-35B-A3B提供支持，并分别使用强化学习进行训练。

微软研究院推出了EvoLib，这是一个框架，使大型语言模型能够在推理过程中从自身经验中学习，而无需真实标签或外部反馈。EvoLib不将原始经验存储为静态记忆，而是将其转化为可重用的技能和反思性见解，这些技能和见解会不断被精炼、整合和重新加权。

微软研究院发布了 Echoverse，这是一组由十二个深度合成环境组成的集合，旨在训练计算机使用代理。该计划包括十个特定领域的世界和两个以能力为中心的世界，所有这些都旨在保持连贯的状态和行为保真度。

微软研究院推出了SkillOpt，该方法将智能体技能文件视为冻结目标模型之外的可训练参数，将手动技能编辑转化为受控的优化过程。这种方法在不更新底层模型权重的情况下提高了智能体的可靠性和一致性。

作者提出了推测不确定性（SU），这是一种通过分析黑盒LLM代理的输出令牌即可恢复预测失败信号的技术，无需访问logits、权重或激活值。通过反转推测解码，一个小型开源权重的草稿模型在一次前向传递中对代理的轨迹进行评分，以提取感知阶段特征并将其与可验证目标进行校准。