OPRD 用提醒蒸馏提升长程编程智能体任务解决率。
资讯摘要
论文提出 On-Policy Reminder Distillation（OPRD），用于长程仓库级编程智能体。作者诊断发现，智能体常忽略上下文中已有信息，而最终 Pass/Fail 结果只能提供稀疏的过程监督。OPRD 结合多范围提醒监督与基于结果的路由：成功轨迹用于自模仿，失败轨迹由教师模型在相同学生前缀上做提醒条件化的反向 KL 监督；推理时学生不使用提醒。作者报告在 SWE-bench Verified、Pro、Multilingual 上平均任务解决率较 Qwen3.5-4B 基线提升 11.3 个百分点，错误事件从 446 降至 222。
要点速读
- 论文诊断：智能体常未利用上下文中已有的相关信息，最终结果监督稀疏。
- OPRD 用成功轨迹自模仿、失败轨迹由教师做提醒条件化反向 KL 监督，推理时学生无需提醒。
- 作者报告在三个 SWE-bench 基准上平均解决率提升 11.3 个百分点，错误事件减少 50.2%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。