论文页面 - 从一到多，从多到一：面向类别的迭代专家训练框架应用于软件工程智能体

来源：https://huggingface.co/papers/2609.23377

摘要

仓库级软件工程任务包含异构的任务类别，在统一的智能体强化学习中，其进展可能不均衡：部分类别的提升可能与其他类别的性能回退同时出现，而聚合后的整体解析度指标掩盖了这些变化。基于这种“类别跷跷板“现象，我们开发了一个类别感知的专家训练与策略整合框架。通过可执行任务构建和基于证据的多轴标注系统SWE-Labeler来组织训练池。初始的类别专用强化学习在提升平均训练成功率的同时，仍存在实例级进展不均衡的问题，这促使我们明确整合成功行为并实现策略自适应的任务选择。同源类别专家交替进行长期智能体微型强化学习与刷新-修复-扩展循环：更新后的策略刷新实例掌握度，重用自身已验证的成功轨迹进行修复式监督微调，并重新选择任务进行进一步强化学习。标签路由的多教师在策略蒸馏将各专家整合为一个可部署的学生模型，使用ReLU门控奖励外推，仅保留每个教师相对于参考模型的改进方向。专家训练与策略整合无需外部模型提供解决方案轨迹或动作目标。我们通过聚合和逐类别解析度评估了统一强化学习与平衡强化学习、专家开发以及单模型整合的效果，包括每个联合强化学习基线上的最小类别提升和专家增益恢复率。最终的MOPD策略在Pro-618上达到58.04%的平均解析度，在SWE-bench Multilingual上达到59.00%，分别比基础模型提升了5.39和2.78个百分点。

查看 arXiv 页面 (https://arxiv.org/abs/2609.23377) 查看 PDF (https://arxiv.org/pdf/2609.23377) 项目页面 (https://huggingface.co/Logics-MLLM/Logics-SWE-Qwen3.6-27B) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.23377)

在你的智能体中获取这篇论文：

hf papers read 2609.23377

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型1

Logics-MLLM/Logics-SWE-Qwen3.6-27B 强化学习 • 27B • 大约 1 小时前更新 • 30 • 5 (https://huggingface.co/Logics-MLLM/Logics-SWE-Qwen3.6-27B)

引用本文的数据集1

Logics-MLLM/Logics-SWE-Env-2.5K 查看器 • 大约 1 小时前更新 • 2.55k • 1 (https://huggingface.co/datasets/Logics-MLLM/Logics-SWE-Env-2.5K)

引用本文的空间0

没有链接本文的空间

在空间 README.md 中引用 arxiv.org/abs/2609.23377 即可从本页面链接。

包含本文的收藏夹0

没有包含本文的收藏夹

将本文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页面链接。