# 类别感知专家训练

该工作针对仓库级软件工程任务中「类别跷跷板」现象——池化强化学习在某些任务类别上进步的同时另一些类别退步、而总体分数掩盖了这种变化——提出类别感知的专家训练与策略整合框架：用 SWE Labeler 把任务按仓库领域划分为服务/数据/安全（A）、面向用户应用（B）、系统/工具/运行时（C）三类，用 Agentic-miniRL 加 Refresh–Repair–Expand 循环训练同源类别专家，再用标签路由的多教师在线策略蒸馏（MOPD）把专家合并为一个可部署学生模型，最终策略在 Pro-618 上取得 58.04% 平均解决率、较基座提升 5.39 个百分点，在 SWE-bench Multilingual 上取得 59.

该工作针对仓库级软件工程任务中「类别跷跷板」现象——池化强化学习在某些任务类别上进步的同时另一些类别退步、而总体分数掩盖了这种变化——提出类别感知的专家训练与策略整合框架：用 SWE Labeler 把任务按仓库领域划分为服务/数据/安全（A）、面向用户应用（B）、系统/工具/运行时（C）三类，用 Agentic-miniRL 加 Refresh–Repair–Expand 循环训练同源类别专家，再用标签路由的多教师在线策略蒸馏（MOPD）把专家合并为一个可部署学生模型，最终策略在 Pro-618 上取得 58.04% 平均解决率、较基座提升 5.39 个百分点，在 SWE-bench Multilingual 上取得 59.