SWE-Critix：通过后训练构建评估编程智能体轨迹的通用验证器
SWE-Critix: Post-Training Generalist Verifiers for Assessing Coding-Agent Trajectories
精选理由
提出经监督微调与强化学习训练的通用验证器，可判断编码智能体任务是否完成并解释依据，提升长程轨迹评估准确率。
AI 摘要
编程智能体正日益被部署用于端到端软件工程任务，而这类任务往往缺乏可直接使用、能够界定成功标准的预言式评估器。因此，有必要为编程智能体构建能够可靠判断并解释其行为的验证机制。然而，随着编程智能体解决长时程软件工程任务的能力不断增强，验证也变得颇具挑战。其执行轨迹可能极其冗长，包含与代码仓库和外部工具的数百次迭代交互。现有验证器要么依赖未经专门训练的通用大语言模型，要么训练主要侧重于生成标量奖励的专用评判器，这表明基于训练的通用验证方法仍未得到充分探索。我们提出 SWE-Critix，这是一个用于训练编程智能体轨迹通用验证器的后训练流程。给定任务及其执行轨迹，训练得到的验证器会预测任务完成标签，并生成自然语言分析来解释其判断。我们的流程将监督微调（SFT）与强化学习（RL）相结合，使用来自 CodeForge-Preview 的轨迹训练了一系列 300 亿参数模型。在预留测试集上，SWE-Critix 将基础推理模型 Qwen3-30B-A3B 的分类准确率从 57% 提升至 SFT 后的 66%，并在 RL 后进一步提升至 78%。我们公开了模型、数据集和训练代码，以促进后续研究。