Robocikowo>ROBOCIKOWO
Agenci

DeepSWE

2025AktywnyOpublikowano: 6 sierpnia 2026Aktualizacja: 6 sierpnia 2026Opublikowany
Otwarty agent kodujacy (coding agent) wytrenowany wylacznie uczeniem ze wzmocnieniem z modelu Qwen3-32B; wspolpraca Agentica i Together AI. Osiaga wysokie wyniki na SWE-Bench-Verified i jest SOTA wsrod agentow open-weight.
Kluczowa innowacja
Pokazanie, ze silnego agenta do inzynierii oprogramowania mozna wytrenowac wylacznie uczeniem ze wzmocnieniem (RL) na bazie otwartego modelu (Qwen3-32B), bez nadzorowanego fine-tuningu (SFT), osiagajac wyniki SOTA wsrod agentow open-weight.
Kategoria
Agenci
Poziom abstrakcji
System
Poziom operacji
ModelAplikacjaTooling
Zastosowania
Autonomiczne rozwiazywanie zadan inzynierii oprogramowaniaOtwarta, odtwarzalna baza do badan nad RL dla agentow kodujacychPunkt odniesienia dla agentow open-weight na SWE-BenchSamodzielne hostowanie agenta kodujacego (open weights)Fine-tuning / rozwijanie wlasnych agentow RL

Jak działa

Punktem wyjscia jest otwarty model Qwen3-32B. Zamiast SFT stosuje sie uczenie ze wzmocnieniem (framework rLLM): agent rozwiazuje zadania programistyczne w srodowisku wykonawczym, a sygnal nagrody pochodzi ze sprawdzalnej poprawnosci (np. zaliczenie testow/rozwiazanie zadania SWE-Bench). Model uczy sie planowac, edytowac kod i weryfikowac wyniki w wielu krokach. Dodatkowo stosowane jest skalowanie w czasie inferencji (test-time scaling), np. generowanie i wybor wielu rozwiazan, co podnosi skutecznosc (Pass@16, 59% z test-time scaling).

Rozwiązany problem

Silne agenty kodujace zwykle wymagaja kosztownego nadzorowanego fine-tuningu na duzych zbiorach demonstracji. DeepSWE pokazuje, ze mozna je uzyskac wylacznie przez RL z otwartego modelu, w pelni otwarcie i odtwarzalnie.

Komponenty

Model bazowy (Qwen3-32B)Punkt wyjscia (backbone).

Otwarty model jezykowy, od ktorego rozpoczyna sie trening agenta.

Oficjalna

Trening RL (rLLM, bez SFT)Mechanizm uczenia agenta.

Czyste uczenie ze wzmocnieniem w frameworku rLLM, bez nadzorowanego fine-tuningu.

Sprawdzalna nagroda (testy/SWE-Bench)Cel optymalizacji RL.

Sygnal nagrody z obiektywnej weryfikacji rozwiazan (zaliczenie testow).

Skalowanie w czasie inferencjiPoprawa wynikow bez zmiany wag.

Generowanie i selekcja wielu rozwiazan przy inferencji dla wyzszej skutecznosci.

Oficjalna

Implementacja

Pułapki implementacyjne
Zaleznosc od sprawdzalnych nagrodŚrednia

RL wymaga wiarygodnego, obiektywnego sygnalu (np. testow); dla zadan bez jasnej weryfikacji podejscie jest trudniejsze.

Rozwiązanie:Projektowanie srodowisk z automatyczna, rzetelna weryfikacja i unikanie reward hackingu.
Koszt obliczeniowy RLŚrednia

Trening agenta RL w srodowiskach wykonawczych jest kosztowny obliczeniowo i inzyniersko.

Rozwiązanie:Efektywne frameworki (rLLM), rozproszone srodowiska i staranny dobor zadan treningowych.

Ewolucja

2025
Premiera DeepSWE-Preview (Agentica x Together AI)
Punkt przełomowy

2 lipca 2025 udostepniono otwartego agenta kodujacego wytrenowanego wylacznie RL z Qwen3-32B, z pelnym przepisem treningowym i wagami; SOTA wsrod agentow open-weight na SWE-Bench-Verified.