Xiaomi учит кодового агента отличать чистый патч от формального прохождения тестов
GAR сравнивает 16 попыток одной задачи и перераспределяет награду по качеству подхода, реализации, минимальности и стилю.
Скачивание готового патча и другой подтвержденный reward hacking обнуляют до ранжирования.
Во время RL Xiaomi замораживает роутер экспертов, чтобы избежать нарушения баланса между ними.
Сочетание оконного и глобального внимания в пропорции 6 к 1 сокращает KV-кеш в семь раз против полного внимания.
Почему важно
Групповая оценка траекторий дает агентам сигнал о качестве способа решения, которого бинарные тесты не дают, хотя независимого сравнения вклада метода пока нет.