論文の概要: Teaching Agents to Code Reliably

• arxiv url: http://arxiv.org/abs/2610.03984v1
• Date: Fri, 02 Oct 2026 19:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 21:09:38.881596
• Title: Teaching Agents to Code Reliably
• Title（参考訳）: エージェントに信頼できるプログラミングを教える
• Abstract要約: リポジトリの問題を解決するために、自律的なコーディングエージェントを訓練する方法を示す。 トレーニングがこれらの行動を政策にどう移行するかを示す。 パス@1から43.0%に上昇し、パス@8から60.7%に上昇し、検証精度を26.8%から41.7%に引き上げる。
• 参考スコア（独自算出の注目度）: 12.841316191115778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous coding agents solve repository issues by reading code, running commands, editing files, and submitting patches. Extra inference-time compute yields gains only when it produces a useful repair and supplies reliable evidence for choosing one. Three behaviors decide both, and we argue they are teachable rather than byproducts of scale, so a policy can carry them instead of a scaffold. Location diversity remains narrow, since attempts return to the same site and extra samples add no coverage. Edit diversity is left unexploited, since methodologies that differ resolve complementary issues no single run reaches. Verification misleads, since a test the agent writes for its own patch accepts many incorrect ones. Directing search by execution feedback and scoring each patch against its own reverted tree resolves 52.8% of SWE-bench Verified using 48.1% of the agent-steps an eight-sample baseline spends. Training moves these behaviors into the policy. On the 270 issues held out from SFT and RL training, weighted supervised fine-tuning raises pass@1 from 31.9% to 35.2% and pass@8 from 46.7% to 51.1%. A reinforcement objective then trains the verifier against gold-labeled repairs and incorrect variants, crediting the assertions that detect them. It raises pass@1 to 43.0% and pass@8 to 60.7%, lifts verifier precision from 26.8% to 41.7%, and more than halves false acceptance. Resolution improves on two of three out-of-distribution suites and verifier precision on all three, and the gains hold at 7B, 14B, and 30B against published coder baselines.
• Abstract（参考訳）: 自動コーディングエージェントは、コードを読み、コマンドを実行し、ファイルを編集し、パッチを送信することで、リポジトリの問題を解決する。 余分な推論時間計算の利得は、有効な修理を行い、選択するための信頼できる証拠を提供する場合にのみ得られる。 3つの行動が両方を決定づけ、これらはスケールの副産物ではなく、教育可能であると我々は主張するので、政策は足場の代わりにそれらを運ぶことができる。 場所の多様性は依然として狭く、試行が同じ場所に戻り、追加のサンプルがカバーされないためである。 単一の実行が到達しない補完的な問題を解決する方法が異なるため、編集の多様性は未公表のままである。 検証が誤解を招くのは、エージェントが自身のパッチのために書いたテストが、多くの誤ったテストを受け入れるからである。 実行フィードバックによる探索を指示し、各パッチを自身の倒木と比較すると、エージェントステップの48.1%を使用してSWEベンチの52.8%が検証される。 訓練はこれらの行動を政策に移す。 SFTとRLのトレーニングから得られた270の課題では、監督された微調整によってパス@1が31.9%から35.2%に上昇し、パス@8が46.7%から51.1%に上昇した。 強化目的は、検証者をゴールドラベルの修理や不正な変種に対して訓練し、それらを検出するアサーションを信用する。 パス@1から43.0%に上昇し、パス@8から60.7%に上昇し、検証精度を26.8%から41.7%に引き上げる。 分解能は3つのアウト・オブ・ディストリビューション・スイートのうち2つで改善され、3つすべてで検証精度が向上し、7B、14B、30Bで発行されたコーダベースラインに対するゲインが保持される。

関連論文リスト

• Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
  我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。 5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。 アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
  論文  参考訳（メタデータ） (2026-09-30T16:40:22Z)
• Merged, Not Measured: An Empirical Study of Performance Issues Fixed by Coding Agents [8.274315021391745]
  コーディングエージェントは、ソフトウェアをスピードアップすると主張するプルリクエスト(PR)を開く。 AIDev v4の71,677のエージェントPRから,582リポジトリの6エージェントによって修正された1,262のパフォーマンス問題を選択する。 私たちは各問題とそのテストをコーディングし、23の拒否と30の合併修正を再実行しました。
  論文  参考訳（メタデータ） (2026-09-29T16:48:55Z)
• Multi-Channel Mitigation of Source-Trust Shortcuts in Fact-Checking RL Agents [3.5200959974288373]
  TrustSwapは、ソースラベルをスワップ、ダウン、削除する反ファクトテストである。 3つの出力チャネル(判断、信頼、検索決定)を別々に計測する。
  論文  参考訳（メタデータ） (2026-09-29T03:26:39Z)
• Reward Hacking Challenges Oversight of Autonomous Research Agents [104.38175629103235]
  自律的な研究エージェントは実験を設計し、結果を評価し、レポートを書き、科学的結果とそれを支持する証拠の両方を制御できる。 これは、意図した目標を達成することなく、報酬基準を満たす、報酬ハックのリスクを生み出す。 そこで本研究では,ハッキングが許可された場合,その方法がいかに効果的かつ検出可能か,LCMレビューパネルが意思決定と理由を返却した場合にどのように適応するか,などについて検討する。
  論文  参考訳（メタデータ） (2026-09-23T17:54:01Z)
• ExecCritic: Learn to Test, Test to Improve for Coding Agents [68.42713285082912]
  実行時のフィードバックは、コーディングエージェントを正しいリポジトリの修復に導くことができますが、テストが問題によって要求された振る舞いをキャプチャした場合のみです。 ExecCriticを導入し、テスト-検証-修正足場と、その中のトレーニングエージェントのためのロール固有の強化学習レシピを組み合わせる。 テストエージェントが独立してリポジトリネイティブなテストを生成し、フェイルクローズされたハーネスがそれらを調整して凍結し、リカバリエージェントがテストを変更することなく、ソースコードを実行フィードバックから修正する。
  論文  参考訳（メタデータ） (2026-09-08T17:53:37Z)
• DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
  ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。 一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
  論文  参考訳（メタデータ） (2026-07-31T05:34:02Z)
• Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair [36.56438114281786]
  正しいパッチの発見と保持、検証、提出のギャップについて検討する。 我々はエビデンスバウンド型ループ契約を導出し、その機械的に強制可能なサブセットを参照実装でインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T16:05:23Z)
• Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
  コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。 この問題は、事前評価が結果駆動である変換において特に深刻である。 ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。 このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
  論文  参考訳（メタデータ） (2026-05-27T19:57:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。