Yiran Wu

软件工程智能体的强化学习奖励不再只分通过和失败：让当前策略自己比较同一任务、同一验证结果下的调试轨迹，把偏好变成有界辅助奖励，在SWE-bench Verified上把Qwen3-14B的平均准确率从32.1%提到34.7%。

软件工程智能体的强化学习奖励不再只分通过和失败：让当前策略自己比较同一任务、同一验证结果下的调试轨迹，把偏好变成有界辅助奖励，在SWE-bench Verified上把Qwen3-14B的平均准确率从32.1%提到34.7%。