El Horizonte de Verificación: Sin Bala de Plata para las Recompensas de los Agentes de Codificación

Resumen

Una intuición clásica sostiene que verificar una solución es más fácil que generarla. Para los agentes de codificación actuales, esta intuición se está invirtiendo: a medida que los modelos fundacionales desarrollan capacidades de razonamiento más sólidas y los entornos de ingeniería se vuelven más sofisticados, generar soluciones candidatas complejas ya no es difícil —verificarlas de manera fiable se ha convertido en el problema más complejo. Cada verificador que podemos construir es solo un proxy de la intención humana, nunca la intención en sí misma. Esto hace que la verificación esté sujeta a una doble dificultad: primero, la intención está por naturaleza subespecificada, lo que dificulta inherentemente comprobar fielmente si se ha cumplido; segundo, durante el entrenamiento del modelo, la optimización amplía la brecha entre el proxy y la intención, manifestándose como manipulación de la recompensa o saturación de la señal. Para abordar esto, caracterizamos la calidad de las señales de verificación en tres dimensiones —escalabilidad, fidelidad y robustez— y sostenemos que lograr las tres simultáneamente es el desafío central. Además, estudiamos cuatro construcciones de recompensa: un verificador de pruebas para tareas generales de codificación, un verificador de rúbrica para tareas de frontend, el usuario como verificador para tareas de agente en entornos reales, y un verificador agente automatizado para tareas de largo horizonte. A través de diferentes tipos de tareas y niveles de capacidad de las políticas, realizamos análisis en profundidad y experimentos sobre los desafíos centrales del diseño de recompensas y cómo aprovechar más eficazmente las señales de recompensa. Los experimentos muestran que un diseño de verificación dirigido puede suprimir eficazmente la manipulación de la recompensa, mejorar la calidad de finalización de las tareas y lograr mejoras significativas en múltiples benchmarks internos y públicos. Estas experiencias apuntan colectivamente a una observación central: ninguna función de recompensa fija puede seguir siendo efectiva a medida que la capacidad de la política continúa creciendo; y la verificación debe coevolucionar con el generador.

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.