**One to More, More to One：面向软件工程智能体的类别感知迭代专家训练**

_One to More, More to One: Category-Aware Iterative Expert Training for Software Engineering Agents_

> 针对仓库级软件工程任务类别异质、统一强化学习下出现“跷跷板”现象（部分类别提升而另一些退化、总体指标掩盖差异）的问题，本文提出类别感知的专家训练与策略整合框架。方法先用分类别强化学习训练专家，再让同源类别专家交替进行长程 Agentic-miniRL 与“刷新-修复-扩展”（RRE）循环，复用自身已验证的成功轨迹做修复式 SFT 并重选任务继续 RL，最后通过标签路由的多教师同策略蒸馏（MOPD）将专家整合为单一可部署学生模型，并用 ReLU 门控奖励外推只保留各教师相对参考模型的改进方向。整个流程无需外部模型提供解题轨迹或动作目标。最终策略在 Pro-618 上平均解决率达 58.04%、SWE-bench Multilingual 上达 59.00%，分别较基座模型提升 5.39 和 2.78 个百分点。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.23377)