За пределами бинарных верифицируемых наград: поведенческое самонаграждение для SWE-агентов
arXiv:2610.12598v1 Тип объявления: new Abstract: Обучение с подкреплением с верифицируемыми наградами (RLVR) обеспечивает надежный надзор за агентами программной инженерии через исполняемые тесты, но бинарные награды не позволяют различать траектории с существенно разными...