O Horizonte de Verificação: Não Existe Bala de Prata para Recompensas de Agentes de Codificação

Resumo

Uma intuição clássica sugere que verificar uma solução é mais fácil do que produzi-la. Para os agentes de codificação atuais, essa intuição está sendo invertida: à medida que os modelos de base desenvolvem capacidades de raciocínio mais fortes e as ferramentas de engenharia se tornam mais sofisticadas, gerar soluções candidatas complexas já não é difícil — verificá-las de forma confiável tornou-se o problema mais árduo. Cada verificador que podemos construir é apenas um proxy para a intenção humana, nunca a intenção em si. Isso torna a verificação sujeita a uma dupla dificuldade: primeiro, a intenção é naturalmente subespecificada, o que torna inerentemente difícil verificar fielmente se foi cumprida; segundo, durante o treinamento do modelo, a otimização amplia a lacuna entre o proxy e a intenção — manifestando-se como exploração de recompensas ou saturação de sinal. Para enfrentar isso, caracterizamos a qualidade dos sinais de verificação ao longo de três dimensões — escalabilidade, fidelidade e robustez — e argumentamos que alcançar todas as três simultaneamente é o desafio central. Estudamos ainda quatro construções de recompensa: um verificador de teste para tarefas gerais de codificação, um verificador de rubrica para tarefas de frontend, o usuário como verificador para tarefas reais de agentes e um verificador agente automatizado para tarefas de longo horizonte. Através de diferentes tipos de tarefa e níveis de capacidade das políticas, realizamos análises aprofundadas e experimentos sobre os desafios centrais do design de recompensas e como utilizar sinais de recompensa de forma mais eficaz. Experimentos mostram que um design de verificação direcionado pode suprimir eficazmente a exploração de recompensas, melhorar a qualidade da conclusão de tarefas e obter ganhos significativos em múltiplos benchmarks internos e públicos. Essas experiências apontam coletivamente para uma observação central: nenhuma função de recompensa fixa pode permanecer eficaz à medida que a capacidade da política continua a crescer; e a verificação deve coevoluir com o gerador.

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.