单智能体做SFT数据研究只会调比例：拆出执行、四路分析与合成后，IFEval提前到63.33
核心概要
监督微调的数据研究正被交给语言模型智能体，但单个智能体拿到完整训练栈后只会反复调整各类数据的配比。AutoSFT把执行、分析、合成拆成不同角色的子智能体，让同一轮数据从训练数据、失败样例、训练信号和历史四个角度被审读，并在数据池覆盖不足时按可验证约束生成新样本。每轮都从同一基座重训，因此各组件效果可单独归因：分析子智能体在第6轮把IFEval推到63.33，已高于单智能体50轮内的最好成绩62.35。
深度剖析
AutoSFT把SFT数据研究从单一动作扩展为覆盖六类数据操作的搜索，并让执行、分析、合成由不同子智能体分担。 此前的自动化系统只给智能体一种控制权，要么从固定池中选行，要么调用生成器；单智能体复现实验的33轮全部落在调整类别配比这一类动作上。 在Qwen3-1.7B-Base、IFEval与IFBench上，单智能体提交33轮、完成32轮评估，第9轮为两项基准的最好成绩，其后23轮没有更好结果。
执行子智能体把训练、检查点转换和评测移出决策智能体的会话，只回传文件路径和简短状态。 单智能体会话在258,400 token窗口填到94.7%后被压缩十次，研究历史被丢弃并重建十次。 在相同基座与上下文窗口、以11.5小时快照评测的对照中，压缩次数从十次降到五次，shell命令占比从58%降到29%。
四个分析子智能体分别从训练数据、失败样例、训练信号和历史出发各提一条数据改动，拓宽了实际采取的动作类型。 单智能体全程停留在配比调整，推理中从未提到修复行、替换回答或写入新样例。 在3M token上限、avg@10评测下，分析配置第6轮达到63.33，第30轮升到67.10；单智能体前30轮最好60.60，50轮最好62.35。
合成子智能体针对数据池供给不足的能力目标生成新样本，样本须通过该目标的程序化校验才进入池子。 前两个组件都不引入池中原本没有的数据，因此无法覆盖池子几乎不含样本的能力。 在100M token上限下，合成运行最好IFEval为81.58、IFBench为51.95，对照分别为78.15和49.02；repeat_prompt在前8轮约40%，第9轮批次进入后升至75.6%。
启示与展望
结论建立在Qwen3-1.7B-Base这一个基座、一个规模上，指令跟随与代码两个域各跑一条搜索。指令跟随用IFEval与IFBench，代码用MBPP+，评测分别取avg@10与avg@3，每轮都从基座重训并在同一token预算内比较。代码域的迁移实验轮次较短，只说明该循环可以迁移。
每个配置只跑一条搜索，重复评测只能约束单个检查点的噪声，不能约束独立搜索之间的波动。合成提升集中在池子供给不足且模型可学的少数能力上，对模型尚不能遵循的约束无效，odd_even_syllables在三轮生成后仍为零分。作者指出这些效应在其他规模上未必成立。