agentic coding 任务上 RL 训练的跨基准迁移

研究团队对开源权重 MoE 模型 Kimi K2.7 Code（1T 参数、32B 激活）仅用强化学习后训练，训练集为 1,700 个专家构建的 agentic coding 任务，其中 1,000 个仓库任务由隐藏 fail-to-pass 与 pass-to-pass 测试评分，700 个终端任务由专家隐藏验证器评分。奖励为目标检查通过比例，任一 pass-to-pass 测试失败则归零。在 rank-32 LoRA 适配器上做一 epoch GSPO，六项外部基准的 pass@1 全部提升，三个 agent harness 与两个未参与训练的 harness 上均观察改善，DeepSWE 与 Terminal-Bench 3 的中位轨迹步数缩短 24%–35%。

此前同类模型改进多依赖训练分布内的任务，跨基准泛化证据有限。该结果显示仅用 1,700 个任务、LoRA 单 epoch 的 RL，就能在六个外部基准和多个未参与训练的 agent harness 上同时提升，且在训练数据收集之后发布的三个任务集上仍显著，说明这种增益并非对固定评测集的过拟合。

关键机制在奖励设计：以目标检查通过比例为主奖励，一旦任何 pass-to-pass 测试失败即奖励归零，迫使模型在实现新功能的同时不破坏既有行为，逼近“最后一公里”的失败模式。训练任务覆盖仓库与终端两类环境，且只更新 rank-32 LoRA 适配器，使学习集中在可迁移的验证与自检行为上，而非记忆特定仓库。

对研发与产品团队的直接含义是：用较小规模的高质量专家任务与严格回归约束做 RL，可提升编码 agent 在真实仓库的端到端完成度，并减少达成目标所需的 agent 步数，从而降低单次任务调用成本与延迟。评测上需要同时关注 fail-to-pass 与 pass-to-pass，避免只测新功能而漏掉回归破坏。

• 在自有代码库上构建 fail-to-pass 与 pass-to-pass 双层测试集，作为 agent 训练与验收的硬门槛。
• 对现有编码 agent 接入 GSPO 或同类 RL 流程，仅训练轻量 LoRA 适配器以控制成本与回滚风险。
• 以 agent 步数作为线上指标之一，评估 RL 后训练是否降低单位任务的 token 与延迟成本。
• 在多个 agent harness 上并行跑同一模型，把 harness 无关的提升作为上线前的泛化检验。

• 证据仅提供摘要，缺少完整实验表格与消融，无法确认提升是否完全来自 RL 而非评测配置。
• Kimi K2.7 Code 以外的模型、闭源模型或更小参数量模型能否复现同等迁移幅度尚不明确。
• 1,700 个训练任务的构建成本与专家标注周期未披露，难以评估该方法的产品化投入产出。
• 收益在训练数据收集之后发布的任务集上仍显著，但长期是否随任务分布漂移而衰减尚未验证。