北大團(tuán)隊(duì)提出SEAlign對(duì)齊框架：顯著提升軟件工程智能體決策質(zhì)量

本文的通訊作者是北京大學(xué)計(jì)算機(jī)學(xué)院金芝教授和李戈教授。第一作者為課題組博士生張克馳，本科畢業(yè)于北京大學(xué)信息科學(xué)技術(shù)學(xué)院，研究方向?yàn)榇a智能體和代碼大模型。他曾以第一作者在自然語言處理、軟件工程等領(lǐng)域的國際會(huì)議上發(fā)表多篇論文，其代表工作 CodeAgent 發(fā)表于 ACL2024，是較早提出代碼智能體概念并開展系統(tǒng)研究的工作。一作論文先后獲得 2023 年 ACM 杰出論文獎(jiǎng)（ACM SIGSOFT Distinguished Paper Award in ICPC）和 2026 年 ACM 杰出論文獎(jiǎng)（ACM SIGSOFT Distinguished Paper Award in ICSE）。

在代碼大模型和代碼智能體技術(shù)快速發(fā)展的今天，一個(gè)日益凸顯的現(xiàn)象是：能夠在經(jīng)典代碼生成基準(zhǔn)上取得優(yōu)異成績的模型，一旦被放入真實(shí)軟件工程環(huán)境中，表現(xiàn)卻往往大幅下滑。

這種落差的根源在于，真實(shí)軟件工程并不是一道孤立的編程題，而是一個(gè)長時(shí)程、強(qiáng)上下文持續(xù)交互、反復(fù)驗(yàn)證與修正的復(fù)雜過程。

模型不僅要會(huì)寫代碼，還要能夠正確理解需求、在倉庫中定位文件、在合適時(shí)機(jī)調(diào)用工具、解釋測(cè)試反饋、修正先前錯(cuò)誤，并在必要時(shí)及時(shí)停止。

這意味著，在評(píng)測(cè)基準(zhǔn)上表現(xiàn)出色的代碼模型，其評(píng)價(jià)體系與訓(xùn)練模式通常更側(cè)重于單一任務(wù)的代碼生成，并不天然適用于現(xiàn)實(shí)世界中復(fù)雜的軟件工程任務(wù)。

圍繞這一問題，北京大學(xué)金芝教授和李戈教授團(tuán)隊(duì)提出了一套軟件工程智能體對(duì)齊框架 SEAlign，通過對(duì)智能體軌跡中的關(guān)鍵決策點(diǎn)進(jìn)行識(shí)別與對(duì)齊，顯著提升模型在真實(shí)工程任務(wù)中的表現(xiàn)。實(shí)驗(yàn)證明，經(jīng)過 SEAlign 優(yōu)化后的 14B 參數(shù)開源模型，在SWE-bench等真實(shí)場(chǎng)景中表現(xiàn)出明顯領(lǐng)先同體量模型、甚至媲美頂級(jí)閉源模型的能力。相關(guān)成果發(fā)表于軟件工程頂會(huì) ICSE 2026，并榮獲 ACM SIGSOFT Distinguished Paper Award （杰出論文獎(jiǎng)）。

ICSE，即 IEEE/ACM 國際軟件工程會(huì)議，是軟件工程領(lǐng)域的頂級(jí)會(huì)議，也是中國計(jì)算機(jī)學(xué)會(huì)推薦的 A 類國際學(xué)術(shù)會(huì)議。本年度 ICSE 共收到全球 1469 篇論文投稿，最終錄用 321 篇，其中僅 22 篇被評(píng)為頂尖論文，獲獎(jiǎng)比例不足總投稿的 1.5%，用以表彰其在軟件工程領(lǐng)域技術(shù)創(chuàng)新性和影響力方面的杰出貢獻(xiàn)。

• 論文題目： SEAlign: Alignment Training for Software Engineering Agent
• 論文鏈接：https://arxiv.org/abs/2503.18455

行業(yè)瓶頸：現(xiàn)有模型難以適配真實(shí)軟件工程場(chǎng)景

現(xiàn)有代碼模型的后訓(xùn)練大多圍繞編程競(jìng)賽、算法題代碼生成展開，這類任務(wù)通常目標(biāo)清晰、上下文短、依賴少，主要考察生成代碼答案的能力；而真實(shí)軟件工程任務(wù)則要求模型在復(fù)雜倉庫、工具鏈和反饋循環(huán)中持續(xù)做決策。

論文實(shí)驗(yàn)數(shù)據(jù)顯示，即便是經(jīng)過充分后訓(xùn)練、在各種 Benchmark 任務(wù)上表現(xiàn)不俗的 Qwen2.5-Coder-Instruct-14B ，配合 OpenHands 框架后，在模擬真實(shí) GitHub 漏洞修復(fù)的 SWE-Bench-Verified 上，僅有 2.8% 的問題解決率。這說明現(xiàn)有對(duì)齊方式主要教會(huì)了模型「如何寫代碼」，卻尚未充分教會(huì)模型「如何驅(qū)動(dòng)一個(gè)軟件工程智能體持續(xù)行動(dòng)」。

論文進(jìn)一步分析了失敗軌跡，發(fā)現(xiàn)問題主要集中在三類行為失配上。

1、一是指令跟隨不足：模型沒有真正讀懂 issue 中的約束，或者過早按照自己的理解動(dòng)手修改，最后寫出的代碼「看起來合理」，卻沒有解決真實(shí)問題。

2、二是工具調(diào)用錯(cuò)誤：包括錯(cuò)誤地選擇工具、傳入不合法參數(shù)、查看無關(guān)文件，或者沒有在關(guān)鍵時(shí)刻使用正確工具，導(dǎo)致上下文和計(jì)算預(yù)算被大量浪費(fèi)。

3、三是重復(fù)循環(huán)：模型不斷重復(fù)相似動(dòng)作，卻沒有根據(jù)環(huán)境反饋更新判斷，最終陷入無效迭代。也就是說，真實(shí)軟件工程中的核心瓶頸并不是單步代碼生成，而是整個(gè)多步?jīng)Q策過程中的行為質(zhì)量。

SEAlign：對(duì)齊智能體中的關(guān)鍵決策

針對(duì)上述問題，SEAlign 的核心思想非常直接：如果軟件工程智能體的成敗，取決于一系列中間決策，那么訓(xùn)練目標(biāo)就不應(yīng)只關(guān)注最終代碼是否正確，而應(yīng)顯式優(yōu)化模型在關(guān)鍵步驟上的行為選擇。

論文提出，智能體軌跡中不同動(dòng)作的重要性并不相同。有些動(dòng)作即便略有偏差，模型也會(huì)在后續(xù)路徑中糾正錯(cuò)誤；但另一些動(dòng)作一旦出錯(cuò)，就可能讓整個(gè)軌跡徹底偏航。

因此，軟件工程對(duì)齊的關(guān)鍵并不在于均勻優(yōu)化每一個(gè) token 或所有步驟，而在于識(shí)別真正決定成敗的關(guān)鍵節(jié)點(diǎn)，并在這些節(jié)點(diǎn)處引導(dǎo)模型偏好更優(yōu)決策。

最近也有一些研究人員開始將 Agent 與控制論的思路進(jìn)行類比。從瓦特調(diào)速器到現(xiàn)代控制系統(tǒng)，一個(gè)更值得關(guān)注的共同點(diǎn)在于，它們并不是要預(yù)先規(guī)定每一步具體動(dòng)作，而是通過識(shí)別那些可能引發(fā)系統(tǒng)性偏離的關(guān)鍵狀態(tài)，并在這些位置上施加適當(dāng)?shù)男Ｕ盘?hào)，以維持整體運(yùn)行方向的穩(wěn)定。對(duì)應(yīng)到軟件工程智能體，模型的能力也不應(yīng)只是生成某一段代碼，而更體現(xiàn)在其能否在關(guān)鍵節(jié)點(diǎn)上持續(xù)作出較為合理的判斷。

SEAlign 的啟發(fā)性正在于此：它并不對(duì)整條軌跡上的所有行為施加均勻約束，而是將對(duì)齊的重點(diǎn)放在那些更可能影響軌跡走向的關(guān)鍵決策點(diǎn)上，從而在一定意義上把軟件工程智能體的訓(xùn)練問題轉(zhuǎn)化為一個(gè)面向閉環(huán)反饋的過程控制問題。

具體來說，SEAlign 包含三個(gè)核心階段：

第一步是軌跡數(shù)據(jù)收集：論文將模型置于真實(shí)的軟件工程環(huán)境中，讓其在 Agent 框架下完成任務(wù)，并記錄完整的 Agent 決策軌跡，同時(shí)根據(jù)任務(wù)是否被最終解決來給出成功或失敗的標(biāo)記。為了避免數(shù)據(jù)泄漏，論文明確排除了測(cè)試數(shù)據(jù)集所涉及的任何倉庫以及與之相近的倉庫。

第二步是軌跡樹構(gòu)建與關(guān)鍵動(dòng)作識(shí)別：論文觀察到，不同軌跡之間常常共享相同前綴，因此將這些重合的決策路徑進(jìn)行合并，可以將一群獨(dú)立的智能體軌跡鏈合并成一個(gè)軌跡樹結(jié)構(gòu)，每個(gè)非葉節(jié)點(diǎn)對(duì)應(yīng)一個(gè)決策步驟，每個(gè)葉節(jié)點(diǎn)對(duì)應(yīng)成功或失敗結(jié)果?；谶@棵軌跡樹，SEAlign 進(jìn)一步過濾掉低質(zhì)量樣本，例如反復(fù)重復(fù)同一動(dòng)作、沒有實(shí)質(zhì)推進(jìn)的 loop 軌跡，以及與其他樣本沒有有效重疊的離群軌跡。

第三步是偏好對(duì)齊訓(xùn)練：論文利用類蒙特卡洛采樣的節(jié)點(diǎn)評(píng)分方法，從同一前綴下找出「一個(gè)動(dòng)作導(dǎo)致后續(xù)成功概率顯著更高，另一個(gè)動(dòng)作導(dǎo)致顯著更差」的關(guān)鍵動(dòng)作對(duì)，再通過偏好學(xué)習(xí)讓模型在這些關(guān)鍵點(diǎn)上學(xué)習(xí)偏好更優(yōu)行為。

從方法設(shè)計(jì)上看，SEAlign 把軟件工程能力明確建模為一種智能體軌跡上的關(guān)鍵點(diǎn)決策能力。這與過去很多代碼對(duì)齊方法只圍繞程序正確性、偏好輸出或競(jìng)賽題結(jié)果來構(gòu)造訓(xùn)練信號(hào)不同：SEAlign 關(guān)心的是模型是否會(huì)在關(guān)鍵節(jié)點(diǎn)避免走偏。這也是它與一般代碼生成優(yōu)化工作的本質(zhì)差異所在。在當(dāng)前追逐 Long Running Agent Harness 的時(shí)代，SEAlign 采用了近似控制論的設(shè)計(jì)思路，在關(guān)鍵決策點(diǎn)上為模型提供約束的同時(shí)，也允許模型進(jìn)行廣闊的探索。

實(shí)驗(yàn)結(jié)果

在高度貼近真實(shí)軟件工程場(chǎng)景的 SWE-Bench 系列實(shí)驗(yàn)中，SEAlign 展現(xiàn)出了明顯的提升。論文僅使用不到一千條樣本，以相對(duì)較低的訓(xùn)練開銷，便在同等參數(shù)規(guī)模的開源模型中取得領(lǐng)先表現(xiàn)，部分指標(biāo)甚至逼近商業(yè)閉源模型 GPT4o。

在Qwen2.5-Coder-Instruct-14B上的實(shí)驗(yàn)顯示，SEAlign 的訓(xùn)練方法使得該模型 在SWE-Bench-Lite上的問題解決率從3.7%提升到17.7%；在SWE-Bench-Verified上，則從2.8%提升到21.8%。

與此同時(shí)，基線模型中非常常見的兩類問題 —— 空補(bǔ)丁率（empty patch）和循環(huán)卡死率 (stuck-in-loop) 也顯著下降：例如在 SWE-Bench-Verified 上，14B 基線模型的空補(bǔ)丁率（empty patch）為52.0%、卡死率（stuck）比例為27.8%，而 SEAlign-14B 分別降至22.8%與15.6%。這說明 SEAlign 能夠系統(tǒng)性改善模型在 Agent 框架中的行為過程。

為了驗(yàn)證 SEAlign 學(xué)到的不是對(duì)某一個(gè)類 Benchmark 的過擬合，論文進(jìn)一步在 HumanEvalFix 這一類程序修復(fù)任務(wù)上進(jìn)行實(shí)驗(yàn)。

對(duì) Qwen-2.5-Coder-Instruct-14B 而言，不使用 Agent 框架時(shí)代碼修復(fù)通過率（Pass@1）為54.3%，一旦放入 Agent 工作流中，反而掉到31.1%，說明它雖然會(huì)直接寫代碼，卻并不擅長在工具交互流程中行動(dòng)。

相反，SEAlign-14B 在無 Agent 時(shí)的通過率為52.4%，加入 Agent 后則提升到62.8%，同時(shí)無效補(bǔ)丁率（ invalid patch rate ）降到10.4%。

這表明 SEAlign 的收益并不只體現(xiàn)在 SWE-Bench 這種復(fù)雜倉庫任務(wù)上，也確實(shí)提高了模型在工具輔助、多步交互場(chǎng)景下的穩(wěn)定性與泛化能力。

消融實(shí)驗(yàn)

論文的消融實(shí)驗(yàn)進(jìn)一步說明，SEAlign 的關(guān)鍵在于其對(duì)細(xì)粒度關(guān)鍵動(dòng)作優(yōu)化本身。

• 只做 SFT 不做細(xì)粒度 DPO：SWE-Bench-Lite 上的解決率為13.0%；
• 只做 DPO 不做 SFT：解決率降至10.7%；完整方案則達(dá)到17.7%；
• 更關(guān)鍵的是，如果去掉關(guān)鍵動(dòng)作識(shí)別，直接把整條成功軌跡和失敗軌跡拿去做偏好優(yōu)化，效果會(huì)明顯退化到5.3%。

數(shù)據(jù)規(guī)模實(shí)驗(yàn)也顯示出較清晰的趨勢(shì)：隨著訓(xùn)練數(shù)據(jù)從 25% 增加到 50%、75% 和 100%，SWE-Bench-Lite 上的解決率從 3.7% 穩(wěn)步提升到17.7%。

從基準(zhǔn)測(cè)試 Benchmark 到實(shí)際應(yīng)用：真實(shí)用戶體驗(yàn)評(píng)價(jià)

除了標(biāo)準(zhǔn)的智能體 Benchmark，論文還手工設(shè)計(jì)了五類簡單的應(yīng)用開發(fā)任務(wù)，包括 to-do list、貪吃蛇小游戲、天氣應(yīng)用、Hacker News 查詢應(yīng)用和個(gè)性化主頁，并邀請(qǐng) 5 名有至少一年開發(fā)經(jīng)驗(yàn)的志愿者從功能完整性、代碼質(zhì)量和美觀度三個(gè)維度進(jìn)行評(píng)分。

平均結(jié)果顯示，SEAlign-14B 相比原始 Qwen-14B 都有明顯提升：功能完整性從1.8提升到3.1，代碼質(zhì)量從2.7提升到3.5，美觀度從2.0提升到3.2，SEAlign 更接近真實(shí)用戶感知的開發(fā)體驗(yàn)改進(jìn)。

未來展望

總體來看，SEAlign 揭示了一個(gè)極具現(xiàn)實(shí)價(jià)值的核心命題：代碼模型在真實(shí)軟件工程中的關(guān)鍵能力，不僅在于寫好代碼本身，更在于如何在工程流程中持續(xù)做出正確決策。

圍繞軌跡對(duì)齊、工具使用、關(guān)鍵階段控制與過程級(jí)的模型訓(xùn)練優(yōu)化，SEAlign 對(duì)于代碼智能體和模型的協(xié)同演進(jìn)，以及保證智能體模型在長序列復(fù)雜任務(wù)上能夠平穩(wěn)運(yùn)行都至關(guān)重要。這也為代碼模型走向?qū)嵱没?、工程化提供了一條可行路徑。