LEGO-RL：面向编程代理的原生 Harness 强化学习
LEGO-RL 是一个将编程代理原生 Harness 接入可扩展策略梯度训练的框架，同时无需修改其内部控制流程。该框架通过进程内 LLM 代理、可扩展的沙箱编排和集成监控，解决环境崩溃与奖励投机导致的信号失真，以及训练与推理之间的不一致。研究人员使用 GSPO 训练 Qwen3.5-35B-A3B，并在三种 Harness 上进行评估。在 SWE-bench Verified 上，OpenHands SDK 的成绩从 64.0% 提升至 70.4%，Claude Code 从 62.4% 提升至 68.2%，OpenCode 从 57.2% 提升至 66.6%。Rollout 与训练概率之间的相关性保持在 0.99 以上。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。