行为自奖励提升SWE Agent性能

宾州州立大学与微软研究院提出 Behavioral Self-Rewarding 方法，用于训练 SWE（软件工程）智能体。该方法让策略对自身轨迹进行两两比较，生成偏好信号，并将其作为有界的小奖励叠加在测试结果之上。报道称，此举旨在解决二元测试奖励在组内全部通过或全部失败时缺乏对比信号的问题。目前公开信息仅涉及方法本身的提出与机制说明，尚无后续实验结果或性能数据的进一步报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。