論文の概要: SWE-Ladder: Learning to Localize, Reproduce, and Patch via Progressive Privileged Self-Distillation

• arxiv url: http://arxiv.org/abs/2610.33667v1
• Date: Sat, 24 Oct 2026 13:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.418246
• Title: SWE-Ladder: Learning to Localize, Reproduce, and Patch via Progressive Privileged Self-Distillation
• Title（参考訳）: SWE-Ladder: プログレッシブ・プリビリード・セルフ蒸留によるローカライズ、リプロデューサ、パッチの学習
• Abstract要約: 強化学習は、最終パッチ上の単一のテスト結果からそのようなエージェントを訓練する。 オンラインの自己蒸留は、すべてのステップで完全な参照パッチを公開する。 本稿では,SWE-Ladderを提案する。
• 参考スコア（独自算出の注目度）: 50.59891115855016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resolving a repository-level issue typically requires a software-engineering (SWE) agent to localize the faulty code, reproduce the failure, and patch the code. Reinforcement learning trains such agents from a single test result on the final patch, while on-policy self-distillation (OPSD) adds token-level supervision from a teacher with privileged evidence, exposing the full reference patch at every step. Neither provides stage-specific guidance for localization or reproduction. We propose SWE-Ladder, which turns the verified repair of each training instance into stage-specific evidence: the changed files and lines for localization, the fail-to-pass tests for reproduction, and the diff for patching. A rule-based router assigns each step of an end-to-end rollout to a stage based on its tool call, a frozen teacher sees only the matching evidence, and the stages are distilled in repair order while GRPO optimizes the full trajectory. With Qwen3-4B-Instruct-2507 on SWE-bench Verified under the R2E-Gym scaffold, SWE-Ladder improves pass@1 from 9.6% to 16.4%, compared with 10.4% for GRPO and 12.4% for OPSD with the full patch. Under the OpenHands scaffold, it improves pass@1 from 13.0% to 17.6%. Reversing the stage order under R2E-Gym reduces pass@1 to 11.4%.
• Abstract（参考訳）: リポジトリレベルの問題を解決するには、一般的にソフトウェアエンジニアリング(SWE)エージェントが障害コードをローカライズし、障害を再現し、コードをパッチする。 強化学習は、最終パッチ上の単一のテスト結果からそのようなエージェントを訓練する一方で、オンライン自己蒸留(OPSD)は、特権的な証拠を持つ教師からトークンレベルの監督を追加し、すべてのステップで完全な参照パッチを公開する。 ローカライゼーションや再生のためのステージ固有のガイダンスも提供しない。 そこで我々は,SWE-Ladderを提案する。SWE-Ladderは,各トレーニングインスタンスの検証済みの修復を,ローカライゼーションのためのファイルや行の変更,複製のためのフェール・ツー・パステスト,パッチの差分といった,ステージ固有のエビデンスに変換する。 ルールベースのルータは、ツールコールに基づいてエンドツーエンドのロールアウトの各ステップをステージに割り当て、凍結された教師は一致するエビデンスのみを確認し、GRPOが全軌道を最適化している間、ステージを修復順に蒸留する。 Qwen3-4B-Instruct-2507 on SWE-bench Verified under the R2E-Gym scaffoldでは、SWE-Ladderはパス@1を9.6%から16.4%に改善し、GRPOは10.4%、OPSDは12.4%に改善した。 OpenHandsの足場の下では、pass@1が13.0%から17.6%に改善されている。 R2E-Gym でステージオーダーを逆転すると、pass@1 が 11.4% に減少する。

関連論文リスト

• PROOF-Gen: From Optimized Data to Better Distillation [6.158612515104146]
  ツール呼び出しエージェントを駆動するポストトレーニングパイプラインは、毎日または毎週のケイデンスでこのステージを再実行し、フロンティアと教師の費用を各サイクルに支払う。 2ベンチでは、教員試験の57%が失敗し、その3分の2がほぼミスである。 本稿では,これらの故障からゴールデントラジェクトリを回復するPROOF-Genを,シナリオごとのプロンプト最適化により導入する。
  論文  参考訳（メタデータ） (2026-08-24T23:33:56Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• Probe-and-Refine Tuning of Repository Guidance for Coding Agents [0.0]
  LLMベースのコーディングエージェントは、リポジトリに関するより高度な運用知識を必要とする。 近年の研究では, LLMによる誘導がエージェント性能に悪影響を及ぼすか否かが議論されている。 本稿では,その指導方法が決定変数であることを示す。
  論文  参考訳（メタデータ） (2026-06-18T17:30:15Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Are Benchmark Tests Strong Enough? Mutation-Guided Diagnosis and Augmentation of Regression Suites [49.16055123488827]
  十分に強力なテストスイートは、報告された成功率を膨らませながら、妥当だが意味的に正しくないパッチを認めることができる。 STINGは、意味的に変化するプログラムの変種を診断ストレス要因として利用する、ターゲットテスト拡張のためのフレームワークである。 STINGは211インスタンスにまたがる1014の検証テストを生成し、パッチリージョンラインとブランチカバレッジを10.8%、9.5%向上させた。
  論文  参考訳（メタデータ） (2026-04-02T01:13:40Z)
• Pull Requests as a Training Signal for Repo-Level Code Editing [49.82435173554125]
  Clean Pull Request(Clean-PR)は、現実のGitHubプルリクエストをリポジトリレベルの編集のトレーニングシグナルとして活用する、トレーニング中のパラダイムである。 ノイズの多いプルリクエストの差分を,再構築と検証を通じて検索/リプレース編集ブロックに変換する,スケーラブルなパイプラインを導入する。 SWE-benchでは,SWE-bench Liteが13.6%,SWE-bench Verifiedが12.3%,命令調整ベースラインが大幅に向上した。
  論文  参考訳（メタデータ） (2026-02-07T09:22:25Z)
• Outcome-Conditioned Reasoning Distillation for Resolving Software Issues [49.16055123488827]
  本稿では, 検証済みパッチを監督として, リポジトリ内問題を解決したO-CRD(Outcome-Conditioned Reasoning Distillation)フレームワークを提案する。 歴史的修正から始まり、検証結果から段階的な修理トレースを後方に再構築する。 SWE-Bench Liteでは、GPT-4oではPass@1が10.4%、DeepSeek-V3では8.6%、GPT-5では10.3%増加する。
  論文  参考訳（メタデータ） (2026-01-30T18:25:39Z)
• REFINE: Enhancing Program Repair Agents through Context-Aware Patch Refinement [12.995571513415905]
  大規模言語モデル(LLM)は、最近、自動プログラム修復(APR)に強い可能性を示している。 LLMは、コードコンテキストの限定的な理解と不完全なテストスイートへの過度な信頼のために、正しい修正を作成するのに苦労することが多い。 本稿では,ドラフトパッチを正しいものに体系的に変換する新しいパッチリファインメントフレームワークRefineを提案する。
  論文  参考訳（メタデータ） (2025-10-04T00:34:32Z)

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。