論文の概要: When Requirements Interact: Scaling Long-Horizon Coding via Interdependent Specifications

• arxiv url: http://arxiv.org/abs/2610.40256v1
• Date: Thu, 29 Oct 2026 15:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:46:10.917897
• Title: When Requirements Interact: Scaling Long-Horizon Coding via Interdependent Specifications
• Title（参考訳）: 要求が相互作用する時:相互依存仕様による長距離符号化のスケーリング
• Abstract要約: リッチで相互依存的な仕様でタスクを合成するフレームワークであるCodeSpecWeaveを紹介します。 我々は2,865リポジトリで4,670のトレーニングタスクを構築します。 これらのタスクに強化学習を適用することで、DeepSWE-v1.1のベースモデルよりもパフォーマンスが大幅に向上する。
• 参考スコア（独自算出の注目度）: 20.541260288323123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To succeed in real-world long-horizon software development, coding agents must satisfy multi-dimensional task specifications, such as interface compatibility and error handling, and do so without breaking existing dependencies. However, current works lack specification in both quantity and diversity, often emphasizing primary goals while ignoring complex constraints. Synthesizing tasks to bridge this gap presents two challenges: naively adding specifications risks reducing tasks to trivial checklists rather than compelling joint reasoning, and verifying these subtle interactions risks overlooking hidden flaws or rejecting valid alternatives. To address these challenges, we introduce CodeSpecWeave, a framework for synthesizing tasks with rich, interdependent specifications. Grounded in real developer seeds, a synthesis agent iteratively develops both coupled task requirements and executable tests, while a review agent audits solution trajectories from multiple models to guarantee test reliability. Using this pipeline, we construct 4,670 training tasks across 2,865 repositories. Applying Reinforcement learning on these tasks significantly improves performance over the base model on DeepSWE-v1.1, largely outperforming existing baselines. Furthermore, we curate CodeSpecWeave-Bench, a rigorous benchmark comprising 100 tasks and 1,044 specifications, which clearly separates frontier models and reveals significant headroom in handling interdependent engineering constraints.
• Abstract（参考訳）: 現実の長期的ソフトウェア開発を成功させるためには、コーディングエージェントはインタフェースの互換性やエラー処理といった多次元タスク仕様を満たし、既存の依存関係を壊さずにそれを実行しなければならない。 しかしながら、現在の作業には量と多様性の両方の仕様がなく、しばしば、複雑な制約を無視しながら、主要な目標を強調します。 このギャップを埋めるためにタスクを合成することは、2つの課題を生じさせる: 決定的な共同推論ではなく、簡単なチェックリストにタスクを減らし、これらの微妙な相互作用のリスクを隠された欠陥を見渡すか、有効な代替案を拒否する。 これらの課題に対処するために、私たちは、リッチで相互依存的な仕様でタスクを合成するフレームワークであるCodeSpecWeaveを紹介します。 実際の開発者のシードに基づいて、シンセサイティングエージェントは反復的にタスク要件と実行可能なテストの両方を開発し、レビューエージェントは複数のモデルからのソリューショントラジェクトリを監査して、テストの信頼性を保証する。 このパイプラインを使用して、2,865リポジトリで4,670のトレーニングタスクを構築します。 これらのタスクに強化学習を適用することで、DeepSWE-v1.1のベースモデルよりもパフォーマンスが大幅に向上し、既存のベースラインよりも大幅に向上した。 さらに、100のタスクと1,044の仕様からなる厳密なベンチマークであるCodeSpecWeave-Benchをキュレートする。

関連論文リスト

• E2E-SWE: Benchmarking LLMs on Building Working Codebases from Scratch [22.683140191384652]
  コーディングエージェントが完全に機能するソフトウェアリポジトリをエンドツーエンドに構築できるかどうかを評価するベンチマークであるE2E-SWEを紹介する。 E2E-SWEは、11のプログラミング言語にまたがる186のリポジトリ生成タスクを含んでいる。 Pass@1は11.7%から67.7%の範囲である。
  論文  参考訳（メタデータ） (2026-09-29T18:02:25Z)
• MTAC-IFBench: Benchmarking Instruction-Following in Multi-Turn Agentic Coding [83.0805548642958]
  MTAC-IFBenchは、ソフトウェア開発におけるインストラクションフォローのための包括的なベンチマークである。 6つのプライマリと18のセカンダリカテゴリにまたがるさまざまな制約を持つ、多ターンプログレッシブなソフトウェア開発指示が特徴である。 MTAC-IFBenchは、マルチターン命令フォローにおける既存のコードエージェントの重大な欠陥を認識し、インタラクションセッションが長くなるにつれてパフォーマンスが急速に低下する。
  論文  参考訳（メタデータ） (2026-09-14T03:57:37Z)
• CodeSpec: Dual Executable Specifications for Agentic Long-Horizon Feature Development [7.386271204083454]
  本稿では,リポジトリレベルの機能開発のための2つの実行可能な仕様手法であるCodeSpecを提案する。 リポジトリアーキテクチャとサブ要求セマンティクスをペアリングするエビデンスから、信頼性の高い機能チェーンを構築する。 既存のリポジトリの機能開発をターゲットにしたFeatureBenchでは、CodeSpecが70.7%、55.0%、49.9%のパスレートを達成した。
  論文  参考訳（メタデータ） (2026-07-29T11:20:49Z)
• RefEvo: Agentic Design with Co-Evolutionary Verification for Agile Reference Model Generation [17.822629270807283]
  RefEvoはアジャイルで信頼性の高い参照モデリング用に設計された動的マルチエージェントフレームワークである。 RefEvoが95%のパスレートを達成し、静的なベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2026-04-27T09:22:02Z)
• CCTU: A Benchmark for Tool Use under Complex Constraints [66.87622847854337]
  複雑な制約下での大規模言語モデル(LLM)を評価するためのベンチマークであるCCTUを紹介する。 ベンチマークは、さまざまなツール使用シナリオに対して、慎重にキュレートされ、挑戦的なテストケースが200から成っている。 ステップレベルの検証を行い、コンプライアンスを強制する実行可能な制約検証モジュールを開発する。
  論文  参考訳（メタデータ） (2026-03-16T14:05:13Z)
• BeyondSWE: Can Current Code Agent Survive Beyond Single-Repo Bug Fixing? [61.247730037229815]
  BeyondSWEは2つの軸 – 解像度スコープと知識スコープ – に沿って既存の評価を拡張する包括的なベンチマークです。 外部知識の役割を解明するために,ディープ検索とコーディング能力を統合するフレームワークであるSearchSWEを開発した。 この作業は、現実的で挑戦的な評価ベンチマークと、より有能なコードエージェントに向けた研究を進めるための柔軟なフレームワークの両方を提供する。
  論文  参考訳（メタデータ） (2026-03-03T17:52:01Z)
• LongCLI-Bench: A Preliminary Benchmark and Study for Long-horizon Agentic Programming in Command-Line Interfaces [65.11019654023978]
  LongCLI-Benchは、長期にわたる現実的なタスクにまたがるエージェント能力を評価するために設計されたベンチマークである。 私たちは、1000以上のコンピュータサイエンスの課題と現実世界のタスクから、20の高品質で長い水平タスクをキュレートしました。 実験によると、最先端のエージェントでさえLongCLI-Benchの20%未満のパスレートを達成する。
  論文  参考訳（メタデータ） (2026-02-15T23:12:57Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)

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。