By Unbug 
2026 年 10 月 9 日提交到 arXiv 的预印本《SWE-Critix: Post-Training Generalist Verifiers for Assessing Coding-Agent Trajectories》（arXiv:2610.13356）给出一个可直接摘录的结论：拿通用推理模型裸当编程 agent 的交付验收裁判并不合格，专门后训练之后，裁判在完成判定分类准确率上能从基座的 57% 提到 78%，而且这个裁判会用自然语言解释自己为什么这么判。论文称模型、数据集与训练代码全部开源。
编程 agent 跑端到端软件工程任务时，一个现实缺口是常常没有现成的预言机评测器。所谓预言机评测器，指任务自带的、可机械执行的成功判据，比如现成的测试用例或验收脚本。判据缺位时，agent 干没干完、干得对不对，就只能靠人或模型来裁。
现有裁判的两条路都不够
现有做法分两条。一条是直接拿通用 LLM 当裁判，不做任何专门训练，判断质量完全取决于基座模型的推理水平。另一条是训练专用 critic，但这类 critic 只输出一个标量分数，作为奖励信号喂给训练流程，不解释判断依据。
被裁判的对象本身也不轻。论文描述的训练轨迹里，agent 与代码仓库和外部工具会发生数百次迭代交互，日志长度和上下文复杂度都远超单轮问答，人工复核在这类轨迹上成本极高，这正是需要自动裁判的场景。
裁判也要后训练：57% 到 78%
SWE-Critix 的路线是训练会说理由的通用裁判：输入任务描述与完整执行轨迹，输出两样东西，一个完成标签，加一段解释判断依据的自然语言分析。基座选用推理模型 Qwen3-30B-A3B，后训练分两步：先做监督微调 SFT，再做强化学习 RL。
效果体现在 held-out 测试集的完成判定分类准确率上：基座 57%，SFT 后 66%，RL 后 78%。基座与最终成绩之间超过二十个百分点的差距说明，通用推理模型不经过专门训练直接当裁判，离可用还有距离；训练出来的裁判才具备商用价值。论文训练了一系列 30B 规模的模型，训练数据来自 CodeForge-Preview 轨迹集。
会说理由，和只打分数不一样
可解释分析是这篇论文与纯标量 critic 的核心区别。标量分数只能用来排序或当奖励信号，分数本身无法审计，也说不清失败原因出在哪一步。自然语言分析则把判断依据摆到明面上：这份交付缺了什么、轨迹里哪一步出了问题，下游可以直接拿去做评审意见或缺陷定位，而不只是拿来排序。
需要划清的边界有三条。其一，这是未经同行评审的预印本，全部数字来自作者自报的 held-out 测试集。其二，CodeForge-Preview 是该团队自产的代码域轨迹集，裁判在其他领域的表现论文未做验证，不能外推。其三，开源承诺覆盖模型、数据集与训练代码，以论文称开源为准。
专利面与技术面的互文
本站简报 《微软圈地代码评审智能体，PR 质检报告还空着》从专利面写过同一个缺口：大厂圈地评审产物，独立质检报告的生意没人接。这篇论文补的是技术面的另一块拼图：裁判层正从拿现成模型凑数进入专门后训练阶段，且直接开源。专利面上被圈占的是评审产物，技术面上免费可得的是一个会说理由的开源裁判，两个面互相咬合但并不重复。
一分钟读论文：《字段顺序决定结构税交多少》