Der Verifikationshorizont: Kein Allheilmittel für Belohnungen von Codierungsagenten

Zusammenfassung

Ein klassisches intuitives Verständnis besagt, dass das Verifizieren einer Lösung einfacher ist als das Erzeugen einer solchen. Für heutige Coding-Agenten kehrt sich diese Intuition um: Da Foundation-Modelle immer leistungsfähigere Reasoning-Fähigkeiten entwickeln und die Ingenieurswerkzeuge immer ausgereifter werden, ist die Erzeugung komplexer Kandidatenlösungen nicht mehr schwierig – zuverlässig zu verifizieren ist zum härteren Problem geworden. Jeder Verifizierer, den wir bauen können, ist nur ein Stellvertreter für die menschliche Absicht, niemals die Absicht selbst. Dies führt zu einer zweifachen Schwierigkeit bei der Verifikation: Erstens ist die Absicht von Natur aus unterspezifiziert, was es inhärent schwer macht, zuverlässig zu prüfen, ob sie erfüllt wurde; zweitens vergrößert die Optimierung während des Modelltrainings die Kluft zwischen Stellvertreter und Absicht – was sich als Reward Hacking oder Signalsättigung äußert. Um dem zu begegnen, charakterisieren wir die Qualität von Verifikationssignalen entlang dreier Dimensionen – Skalierbarkeit, Treue und Robustheit – und argumentieren, dass das gleichzeitige Erreichen aller drei die zentrale Herausforderung darstellt. Wir untersuchen ferner vier Belohnungskonstruktionen: einen Test-Verifizierer für allgemeine Programmieraufgaben, einen Bewertungsraster-Verifizierer für Frontend-Aufgaben, den Benutzer als Verifizierer für reale Agentenaufgaben und einen automatisierten Agenten-Verifizierer für langfristige Aufgaben. Über verschiedene Aufgabentypen und Fähigkeitsniveaus der Policy hinweg führen wir vertiefte Analysen und Experimente zu den Kernherausforderungen des Belohnungsdesigns durch sowie dazu, wie Belohnungssignale effektiver genutzt werden können. Experimente zeigen, dass zielgerichtetes Verifikationsdesign Reward Hacking wirksam unterdrücken, die Qualität der Aufgabenerfüllung verbessern und signifikante Verbesserungen über mehrere interne und öffentliche Benchmarks erzielen kann. Diese Erfahrungen deuten gemeinsam auf eine Kernbeobachtung hin: Keine feste Belohnungsfunktion kann wirksam bleiben, wenn die Policy-Fähigkeiten weiter wachsen; die Verifikation muss mit dem Generator ko-evolvieren.

English

A classical intuition holds that verifying a solution is easier than producing one. For today's coding agents, this intuition is being inverted: as foundation models develop stronger reasoning capabilities and engineering harnesses grow more sophisticated, generating complex candidate solutions is no longer difficult -- reliably verifying them has become the harder problem. Every verifier we can build is only a proxy for human intent, never the intent itself. This makes verification subject to a twofold difficulty: first, intent is underspecified by nature, making it inherently hard to faithfully check whether it has been fulfilled; second, during model training, optimization widens the gap between proxy and intent -- manifesting as reward hacking or signal saturation. To address this, we characterize the quality of verification signals along three dimensions -- scalability, faithfulness, and robustness -- and argue that achieving all three simultaneously is the central challenge. We further study four reward constructions: a test verifier for general coding tasks, a rubric verifier for frontend tasks, the user as verifier for real-world agent tasks, and an automated agent verifier for long-horizon tasks. Across different task types and policy capability levels, we conduct in-depth analysis and experiments on the core challenges of reward design and how to more effectively leverage reward signals. Experiments show that targeted verification design can effectively suppress reward hacking, improve task completion quality, and achieve significant gains across multiple internal and public benchmarks. These experiences collectively point to a core observation: no fixed reward function can remain effective as policy capability continues to grow; and verification must co-evolve with the generator.