Горизонт верификации: не существует серебряной пули для вознаграждения агента кодирования

Аннотация

Классическая интуиция подсказывает, что проверить решение легче, чем его создать. Для современных кодирующих агентов эта интуиция переворачивается: по мере того как базовые модели развивают более сильные способности к рассуждению, а инженерные средства становятся всё более совершенными, создание сложных кандидатных решений перестаёт быть трудным — надёжная их верификация становится более сложной задачей. Любой верификатор, который мы можем построить, является лишь прокси человеческого намерения, а не самим намерением. Это делает верификацию подверженной двойной трудности: во-первых, намерение по своей природе недоопределено, что делает принципиально сложным точную проверку того, было ли оно выполнено; во-вторых, в ходе обучения модели оптимизация увеличивает разрыв между прокси и намерением — что проявляется как ревард-хакинг или насыщение сигнала. Чтобы решить эту проблему, мы характеризуем качество сигналов верификации по трём измерениям — масштабируемости, точности и робастности — и утверждаем, что достижение всех трёх одновременно является центральной задачей. Мы также изучаем четыре конструкции вознаграждения: верификатор на основе тестов для общих задач кодирования, верификатор на основе рубрики для задач фронтенда, пользователя как верификатора для реальных агентских задач и автоматизированного агента-верификатора для долгосрочных задач. На разных типах задач и уровнях возможностей политик мы проводим углублённый анализ и эксперименты по основным проблемам проектирования вознаграждения и тому, как более эффективно использовать сигналы вознаграждения. Эксперименты показывают, что целенаправленное проектирование верификации может эффективно подавлять ревард-хакинг, повышать качество выполнения задач и достигать значительных улучшений на нескольких внутренних и публичных бенчмарках. Совокупность этих наблюдений указывает на ключевой вывод: ни одна фиксированная функция вознаграждения не может оставаться эффективной по мере роста возможностей политики; верификация должна совместно эволюционировать с генератором.

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.