検証の地平：コーディングエージェントの報酬に万能薬はない

要旨

古典的な直感では、解答の検証は生成よりも容易であるとされてきた。今日のコーディングエージェントにおいて、この直感は逆転しつつある。基盤モデルの推論能力が強化され、エンジニアリング技術が高度化するにつれ、複雑な候補解を生成することはもはや困難ではなくなり、信頼性の高い検証こそがより難しい問題となっている。私たちが構築できるあらゆる検証器は、人間の意図の単なる代理に過ぎず、意図そのものではない。このことにより、検証には二重の困難が伴う。第一に、意図は本質的に特定が不十分であり、それが達成されたかどうかを正確に確認することは本質的に困難である。第二に、モデル訓練中、最適化によって代理と意図の乖離が拡大し、報酬ハッキングや信号の飽和として現れる。この課題に対処するため、我々は検証信号の品質をスケーラビリティ、忠実性、ロバスト性の3次元で特徴づけ、これらすべてを同時に達成することが中心的な課題であると論じる。さらに、4つの報酬設計 — 汎用コーディングタスク向けテスト検証器、フロントエンドタスク向けルーブリック検証器、実世界エージェントタスクにおけるユーザー検証器、長期的タスク向け自動エージェント検証器 — について研究する。異なるタスクタイプとポリシーの能力レベルにわたって、報酬設計の核心的な課題と、報酬信号をより効果的に活用する方法について詳細な分析と実験を行う。実験結果は、ターゲットを絞った検証設計が報酬ハッキングを効果的に抑制し、タスク完了品質を向上させ、複数の内部および公開ベンチマークで顕著な改善をもたらすことを示している。これらの経験は、一つの核心的な観察結果を指し示している。すなわち、ポリシーの能力が成長し続ける中で、固定された報酬関数は有効性を維持できず、検証は生成器と共進化しなければならないのである。

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.