SWE-Critix 提出了一套后训练流水线，用于训练能够评估编码代理执行轨迹的通用验证器。
编码代理在端到端软件工程任务中日益普及，但缺乏可直接使用的评估基准。其轨迹往往包含数百次对代码库和外部工具的交互，长度极长，给验证带来挑战。
现有验证器要么直接使用通用大模型，缺乏针对性；要么训练专用评审器，仅输出标量奖励，未能提供细粒度解释。
SWE-Critix 在给定任务及其执行轨迹的条件下，预测完成标签并生成自然语言分析，解释判断依据。流水线首先进行监督微调（SFT），随后采用强化学习（RL）进一步提升。
我们在 CodeForge-Preview 轨迹上训练了一系列 30B 参数模型。实验在未见测试集上显示，基线 Qwen3-30B-A3B 推理模型的分类准确率为 57%，经 SFT 提升至 66%，再经 RL 达到 78%。
我们已开源模型、数据集和训练代码，以促进后续研究。
点评