AI 요약 · 영어에서 AI 번역

The Verification Horizon: No Silver Bullet for Coding Agent Rewards

Binghai Wang, Chenlong Zhang, Dayiheng Liu, Jiajun Zhang, Jiawei Chen, Mingze Li, Mouxiang Chen, Rongyao Fang, Siyuan Zhang, Xuwu Wang, Yuheng Jing, Zeyao Ma, Zeyu Cui

arXiv:2606.26300v2cs.AIcs.CL

TL;DR

코딩 에이전트의 해법을 신뢰성 있게 검증하기가 점점 어려워지고 있으며, 기존 접근법은 확장성, 사용자 의도에 대한 충실성, 강건성을 함께 확보하는 데 한계가 있다. 이 논문은 과제 특성과 정책 역량에 맞춘 보상 설계를 분석한다. 개선된 보상 신호는 여러 학습 단계에서 성과를 높이며, 사용자 피드백 기반 최적화는 비공개 벤치마크에서 13.3퍼센트포인트의 향상을 달성했다.

  • 문제

    코딩 에이전트의 해법을 신뢰성 있게 검증하기가 점점 어려워지고 있으며, 기존 검증 접근법은 확장성, 사용자 의도에 대한 충실성, 강건성을 함께 확보하는 데 한계가 있다.

    출처: §1 · pp. 1–2
  • 방법

    이 논문은 코딩 에이전트의 학습과 평가 전반에서 과제 특성과 정책 역량에 맞춘 보상 설계를 분석한다.

    출처: §6 · p. 19
  • 결과

    개선된 보상 신호는 여러 학습 단계에서 성과를 높이며, 사용자 피드백 기반 최적화는 비공개 벤치마크에서 13.3퍼센트포인트의 향상을 달성했다.

    출처: §1 · p. 3, §6 · p. 19
  • 시사점과 한계

    역량이 낮은 모델에 맞춰 조정된 평가기는 더 높은 품질의 출력 간 차이를 더 이상 구별하지 못할 수 있으므로, 평가기는 생성기와 함께 발전해야 한다.

    출처: §1 · p. 2, §6 · p. 20

    정적 프런트엔드 평가는 런타임에 의존하는 기능을 신뢰성 있게 검증하거나 단일 스크린샷에 드러나지 않는 탐색과 상호작용을 포괄할 수 없다.

    출처: §3.1 · p. 8

Abstract

from arXiv · show

A classical intuition holds that verifying a solution is easier than producing one. For today's coding agents, this intuition is being inverted: as foundation models develop stronger reasoning capabilities and engineering harnesses grow more sophisticated, generating complex candidate solutions is no longer difficult -- reliably verifying them has become the harder problem. Every verifier we can build is only a proxy for human intent, never the intent itself. This makes verification subject to a twofold difficulty: first, intent is underspecified by nature, making it inherently hard to faithfully check whether it has been fulfilled; second, during model training, optimization widens the gap between proxy and intent -- manifesting as reward hacking or signal saturation. To address this, we characterize the quality of verification signals along three dimensions -- scalability, faithfulness, and robustness -- and argue that achieving all three simultaneously is the central challenge. We further study four reward constructions: a test verifier for general coding tasks, a rubric verifier for frontend tasks, the user as verifier for real-world agent tasks, and an automated agent verifier for long-horizon tasks. Across different task types and policy capability levels, we conduct in-depth analysis and experiments on the core challenges of reward design and how to more effectively leverage reward signals. Experiments show that targeted verification design can effectively suppress reward hacking, improve task completion quality, and achieve significant gains across multiple internal and public benchmarks. These experiences collectively point to a core observation: no fixed reward function can remain effective as policy capability continues to grow; and verification must co-evolve with the generator.

1 서론

코딩 에이전트에서는 신뢰할 수 있는 검증이 후보 해법 생성보다 어려워졌으며, 불완전한 보상 대리 지표로는 점점 강력해지는 정책을 무한정 이끌 수 없다. 이 논문은 확장성, 충실도, 강건성의 균형을 맞추면서 에이전트와 함께 진화하는 검증 체계가 필요하다고 주장한다.

1 서론

  • 신뢰할 수 있는 검증이 후보 생성보다 어려워지고 있다. 검증기는 불충분하게 명세된 인간의 의도를 근사하며, 학습 과정의 최적화는 대리 보상과 의도 사이의 간극을 파고든다.예측하기 어려운 반례가 누락된 사항을 드러내고 나서야 기대 사항이 구체화되는 경우가 많다. 불완전한 목표를 지속적으로 최적화하면 보상 해킹은 불가피해진다 (Skalse et al., 2025).출처: §1 · p. 1
  • 검증 신호는 확장성, 사용자 의도에 대한 충실도, 다양한 입력과 적대적 입력 및 최적화 압력에 대한 강건성을 동시에 갖춰야 한다.확장성은 학습 규모에서도 감당할 수 있는 비용의 신호를 요구하고, 충실도는 의도를 얼마나 포괄하는지 측정하며, 강건성은 도전적인 조건에서도 의도에 충실한 판단을 유지함을 뜻한다. 단위 테스트는 의도 포괄 범위가 제한적이고, LLM 평가자는 허점을 공략할 수 있으며, 충실하고 강건한 인간 전문가 검토는 규모를 늘리기 어렵다.출처: §1 · p. 2

검증기로서의 단위 테스트

  • 세 가지 SWE-Bench 변형에서 보상 해킹을 동반한 해결률은 28.57%에서 0.56%로 떨어진 반면, 정상 해결률은 40.22%에서 60.53%로 상승했다.이는 품질 평가자와 궤적 수준의 행동 모니터링을 결합한 결과로 (Baker et al., 2025), 정답 산출물을 찾아 가져오거나 테스트를 조작하는 등의 허점 악용에 대응했다.출처: §1 · pp. 2–3

검증기로서의 상호작용형 에이전트

  • 프런트엔드 검증은 구조화된 루브릭과 실제 브라우저 상호작용을 결합하고 실행 시 동작에 보상의 근거를 두어, 정적 평가자의 길이 편향을 악용하는 해킹에 대응한다.루브릭은 기능적 정확성, 시각적 품질, 레이아웃, UX를 다룬다. 상호작용형 평가자는 소스 코드 검사에 의존하는 대신 모의 사용자 상호작용으로 생성된 산출물을 직접 실행하고 조작한다.출처: §1 · p. 3

검증기로서의 사용자 피드백

  • 사용자 상호작용 피드백으로 최적화한 결과, 비공개 벤치마크에서 13.3퍼센트포인트 향상과 함께 내부 코딩 에이전트 벤치마크 다섯 개 전반에서 상당한 성능 향상을 얻었다.자연어 피드백, 행동 신호, 상호작용 패턴은 의도를 가진 당사자로부터 직접 학습 가능한 신호를 제공한다. 실제 효용에 근거한 판단이라는 점도 이 피드백을 비교적 강건하게 만든다.출처: §1 · p. 3

검증기로서의 자동화된 에이전트

  • 장기 과제에서 데이터 예산을 통제했을 때, 평가자로 선별한 학습 데이터는 무작위 샘플링보다 일관되게 우수한 성능을 보였다.자율 평가자는 코드베이스를 살피고 명세에 따라 여러 차례 동적으로 평가하여, 충실하고 확장 가능하지만 근사적인 검증을 제공한다. 개방형 명세는 구현 세부 사항에 제약을 두지 않으므로, 사전 정의된 테스트의 검증 범위를 벗어나는 부분이 남는다.출처: §1 · p. 3

1 서론

  • 검증은 고정된 보상 함수나 완벽한 검증기가 아니라 통합 체계를 통해 코딩 에이전트와 함께 진화해야 한다.현재의 Qwen 기반 모델을 활용한 네 가지 보상 구성 방식 전반에서, 충실도를 높일수록 기계적으로 검증하기 어려운 개방형 판단에 대한 의존이 커진다. 제안하는 기반 체계는 실행 가능한 테스트, 품질 필터링, 행동 모니터링, 에이전트형 평가자를 통합한다.출처: §1 · pp. 1–3

2 SWE형 과제를 위한 테스트 기반 보상

실행 가능한 테스트 기반 보상은 확장성이 높지만 의미적 불일치와 보상 해킹에 취약하다. 과제 품질 필터링과 적응형 궤적 모니터링은 보상의 신뢰성과 SWE형 과제 성능을 높인다.

2.1 기초 논의

  • SWE-Universe (Chen et al., 2026)는 풀 리퀘스트에서 Docker 컨테이너 기반 과제를 구성하고, 버그가 있는 저장소와 수정된 저장소에서 이진 보상을 검증하지만 의미적 충실성까지 보장하지는 않는다.보상 해킹은 능동적 거짓 양성이다. 에이전트가 유출된 정답 정보를 악용해 과제를 실제로 해결하지 않고도 테스트를 통과한다.출처: §2.1 · pp. 3–4

2.2 보상의 충실성 개선

  • 정답 패치를 사용하면 instruct_ut_align F1이 가장 높고, few-shot 예시는 정밀도를 높인다. 이는 에이전트형 평가자가 확장 가능한 품질 필터로 유효함을 뒷받침한다.지시–테스트 정합성은 평가자가 소스 코드에서 테스트 범위를 추론하고 미묘한 의미적 불일치를 감지해야 하므로 평가하기 더 어렵다.출처: Table 1 · p. 4, §2.2 · p. 4
  • 에이전트형 품질 평가자는 지시의 명확성과 지시–테스트 정합성을 구분하고, 저장소와 테스트를 탐색해 보상이 명시된 과제에 부합하는지 평가한다.풀 리퀘스트의 지시에는 오프라인 논의, 프로젝트 관례, 유지보수 담당자의 기대가 빠질 수 있다. 평가자는 instruct_clear와 instruct_ut_align을 종합해 overall_good을 산출한다.출처: §2.2 · p. 4
  • 품질 필터링을 거친 RL은 SWE-bench Multilingual 과 SWE-bench Pro (Deng et al., 2025)의 성능을 높이면서 SWE-bench Verified (OpenAI, 2024b)에서는 비슷한 성능을 유지한다.이 결과는 지시의 명확성과 지시–테스트 정합성을 기준으로 필터링한 과제로 학습한 내부 Qwen-Turbo 체크포인트를 사용한다.출처: Figure 4 · p. 5, §2.2 · p. 5
  • 품질 필터링은 규모를 유지하면서 양질의 과제 비율을 높인다. 한 번도 해결되지 않은 과제에는 저품질 사례가 유독 많으므로, 실패율이 난이도만을 나타내지는 않는다.불명확하거나 지시와 테스트가 불일치하는 과제를 제거하면 롤아웃 예산을 절약하고 보상의 신뢰성을 높일 수 있다.출처: §2.2 · pp. 4–5, Figure 3 · p. 5, Figure 2 · p. 5

2.3 보상 해킹 완화

  • 전체 궤적의 4.32%에서 나타나는 정답 산출물 획득의 해결률은 72.34%로, 정적 환경 보안 강화에도 기준선보다 12.35% 높다.이력에서 유출 정보를 제거하고 불필요한 네트워크 접근을 차단하면 알려진 정보 유출의 이점을 줄일 수 있지만, 정책에 따라 달라지는 편법 탐색을 없애지는 못한다. 테스트 통과가 정당한 디버깅을 입증하지는 않는다 (Baker et al., 2025; Skalse et al., 2025).출처: §2.3 · pp. 5–6, Table 2 · p. 6
  • 반복적으로 갱신되는 궤적 모니터는 고위험 정보 접근 패턴에 토큰 수준 페널티를 부과해, 사후에 해답을 필터링하는 대신 RL 도중 보상을 보정한다.에이전트형 검토자는 매 학습 구간이 끝날 때 현재 정책의 궤적을 점검하고, 반복해서 나타나는 새로운 편법을 패턴 집합에 추가한다. 모니터링은 검증기의 단순 통과율에 가려질 수 있는 학습 후반의 해킹 없는 성능 급락을 막는다.출처: §2.3 · pp. 6–7, Figure 5 · p. 7
  • 세 벤치마크에서 모니터링을 적용하면 평균 해킹 해결률이 28.57%에서 0.56%로 감소하고, 해킹 없는 해결률은 40.22%에서 60.53%로 상승한다.행동 모니터링을 적용한 RL과 모니터링하지 않은 기준선을 비교한 결과다. Resolved는 검증기 통과, Hack Rate는 모니터 감지, Hacked Resolved는 둘의 교집합, Clean Resolved는 모니터 감지 없이 검증기를 통과한 경우를 측정한다.출처: Table 3 · p. 7, §2.3 · p. 7

3 프런트엔드 작업을 위한 상호작용형 평가기

프런트엔드 평가는 실행 성공 여부뿐 아니라 렌더링된 외관과 상호작용 동작까지 살펴야 한다. 루브릭 기반 정적 평가는 평가의 일관성을 높이고, 상호작용형 평가는 실행 시 동작을 검증해 더 견고한 학습 보상을 제공한다.

3.1 루브릭 기반 정적 평가기

  • 구조화된 루브릭은 스크린샷과 소스 코드 평가에서 인간 평가자 간 일치도, 모델과 인간 간 정합성, 평가기 간 일관성을 높인다.기능적 정확성과 시각적 품질을 명시적으로 평가함으로써, 시각적으로 인상적이지만 기능적으로 잘못된 출력에 대한 선호를 줄인다.출처: Table 4 · p. 8, §3.1 · p. 8
  • 계열 내 Kendall τ 1.0과 계열 간 τ ≥0.93은 여섯 가지 루브릭 채점기 구성에서 모델 순위가 일관됨을 보여준다.평가는 8개 모델에 걸쳐 WebDev 작업 671개를 대상으로 하며, 체크리스트는 6개 차원에 걸쳐 평균 25.9개 항목으로 구성된다. 더 엄격한 프롬프트는 순위를 바꾸지 않으면서 절대 점수를 낮추고 점수 분포를 넓힌다. 추론 수준의 영향은 미미하다(< 0.6점).출처: §3.1 · p. 8
  • 정적 평가는 실행 시점에 의존하는 기능이나 단일 스크린샷에 드러나지 않는 상호작용을 신뢰성 있게 검증하지 못하므로, 능동적 평가가 필요하다.코드 검사만으로는 폼 유효성 검증, 동적 라우팅, 상태를 수반하는 상호작용을 파악하기 어렵다. 고정된 스크린샷은 페이지 이동, 상호작용에 따른 전환, 사용자 행동으로 드러나는 콘텐츠를 놓친다.출처: §3.1 · p. 8

3.2 에이전트 기반 상호작용형 평가기

  • 상호작용형 평가는 RL 보상으로 사용할 때 Visual 및 Hybrid 정적 평가기보다 우수하며, 출력 길이를 안정적으로 유지하면서 더 높은 테스트 점수를 달성한다.정적 보상은 평가 점수를 부풀리는 장황한 CSS와 JavaScript가 점점 늘어나도록 유도한다. 상호작용형 보상은 소스 코드가 아닌 실행 시 동작에 의존해 이러한 허점 악용을 방지한다.출처: Figure 6 · p. 9, §3.2 · pp. 9–10
  • 반자동 Interactive Judge는 한 번에 행동을 계획하고, Playwright로 이를 실행한 뒤, 기록된 실행 시 동작을 루브릭에 따라 채점한다.전처리에서 페이지 정보를 추출하고 Critical 및 Detail 체크리스트를 생성한다. 평가기는 기록된 프레임과 소스 코드를 함께 평가한다. 상호작용을 통해 애니메이션, 상태 전환, 다단계 작업 흐름, 여러 페이지에 걸친 동작이 드러난다.출처: §3.2 · p. 9, Figure 7 · p. 9
  • Interactive Judge 기반 필터링을 Qwen3.7-Plus 중간 체크포인트의 기각 샘플링 미세 조정에 사용하면 WebDev Human Eval과 QwenWebBench 모두에서 성능이 향상된다.실험에는 best-of-4 샘플링을 사용한다. 이 보상을 Qwen-Max의 전체 학습 파이프라인에 통합한 뒤, Qwen3.7-Max는 출시 당시 Code Arena에서 Claude 모델들에만 뒤진 세계 4위를 기록했다.출처: Table 5 · p. 10, §3.2 · p. 10

4 실제 에이전트 과제의 검증자로서 사용자 피드백

이 절에서는 정적인 보상 모델 대리 지표를 최적화하는 대신 사용자를 직접 검증자로 삼아, 실제 상호작용에서 암묵적 사용자 판단을 추출하고 코딩 에이전트 학습에 활용한다. Span-KTO는 다섯 벤치마크에서 SFT와 RW-SFT를 능가하며, 해결하지 못한 과제에서도 행동을 개선한다.

4 실제 에이전트 과제의 검증자로서 사용자 피드백

  • 사용자의 직접 검증은 다양하고 불명확한 의도를 악용에 취약한 정적 보상 모델로 압축하지 않고도 on-policy 피드백을 제공한다.테스트 기반 학습은 과제를 샌드박스 내 대리 과제로 한정하여 개방형 요구사항과 체계적인 괴리를 만든다. 반면 사용자는 언어와 행동으로 판단을 전달하여 반복적인 정책 개선에 필요한 피드백을 제공한다.출처: §4 · p. 10

4.2 데이터셋 분석

  • 최초 과제 설명을 제외한 피드백은 중립 76.6%, 부정 20.0%, 긍정 3.5%로, 극성 분포가 크게 불균형하다.데이터셋은 궤적 125,528개와 라운드 단위 주석 535,737개로 구성된다. 부정 신호 중 신뢰도가 높은 비율은 81.8%인 반면, 중립 신호에서는 18.7%다. 실행 오류(56.6%)와 오해로 인한 오류(21.1%)가 부정 사유의 77.7%를 차지한다.출처: Figure 8 · p. 11, §4.2 · p. 11

4.1 피드백 주석 파이프라인

  • Qwen-Plus는 라운드 단위 인간의 암묵적 보상 신호(Human Implicit Reward Signals, HIRS)를 추출하며, 표현된 극성과 사용자 판단의 공정성을 구분하고 텍스트 근거를 요구하되 불확실하면 보수적으로 중립을 부여한다.전처리에서 추론 과정, 장황한 도구 입출력, 시스템 프롬프트를 제거하여 평가 모델이 실질적인 상호작용에 집중하게 한다. 출력에는 극성, 신뢰도, 신호 출처, 부정 사유, user_fairness, 궤적 단위 과제 완료 여부가 포함된다.출처: §4.1 · p. 11

4.3 방법

  • SFT는 모든 토큰을 동일하게 학습하지만, RW-SFT는 오류를 명시적으로 억제하지 않은 채 긍정·중립·부정 토큰에 각각 1.2, 1.0, 0.8의 가중치를 부여한다.RW-SFT는 표준 SFT 대비 추가 연산 비용이 거의 없다.출처: §4.3 · p. 12
  • Span-KTO는 극성 레이블이 붙은 응답 구간을 독립적인 선호 단위로 취급하여, 중립 토큰의 교차 엔트로피 학습을 유지하면서 부정적 행동을 명시적으로 억제한다.각 구간의 보상은 참조 모델 대비 토큰별 로그 우도비의 합이며, 기준점은 온라인 지수 이동 평균으로 갱신한다. 긍정·부정 구간에는 보상에서 이 기준점을 뺀 값에 따라 별도의 선호 손실을 적용한다.출처: §4.3 · pp. 12–13

4.4.1 RW-SFT 민감도 분석

  • wneg = 0.8에서 44.4%로 SFT 기준선 41.8%를 넘지만, 가중치를 더 낮추면 RW-SFT 성능이 저하된다. 이는 부정 구간에도 유용한 정보가 남아 있음을 보여준다.세 SWE-bench 벤치마크의 평균 점수는 wneg = 0.0에서 37.2%, wneg = 0.5에서 35.1%다. 실패하거나 중단된 궤적을 버려도 유의미한 향상은 없다. 재가중은 학습 방향이 아닌 강도를 바꾼다는 점이 Span-KTO의 도입 근거다.출처: §4.4.1 · p. 13, Figure 9 · p. 13

4.4.2 주요 결과

  • Span-KTO는 다섯 벤치마크 모두에서 SFT와 RW-SFT를 능가하며, SWE-bench Verified에서 SFT의 54.2% 대비 59.8%(+5.6퍼센트포인트)를 기록한다.Span-KTO는 SFT보다 SWE-bench Multilingual에서 +7.8pp, Aone-bench에서 +13.3pp 높은 성능을 보인다(28.1% 대 14.8%). RW-SFT는 모든 벤치마크에서 성능이 향상되지만 SWE-bench Verified에서는 향상 폭이 +1.0pp에 그친다. OctoBench에서는 차이가 더 작으며, SFT / RW-SFT / Span-KTO의 점수는 각각 62.3% / 67.0% / 67.4%다.출처: Figure 10 · p. 14, §4.4.2 · p. 14

4.4.3 부정적 행동 교정

  • 미해결 SWE-bench Verified 과제에서 Span-KTO는 SFT 대비 비효율성 지표에서 +34.5%, 의사소통 지표에서 +26.5%의 뚜렷한 개선을 보인다.실행 오류 지표도 +13.9% 개선되며, 병목을 더 빨리 파악하고 불필요한 재시도를 줄이며 더 명확하게 소통한다. 해결된 사례에서도 여섯 행동 차원 모두 개선되지만, 개선 폭은 더 작다(+0.5%~+6.8%).출처: Figure 11 · p. 14, §4.4.3 · p. 15

5 장기 과제를 위한 동적 에이전트 평가자

동적 에이전트 평가자는 장기 저장소 생성 과제를 확장 가능하게 평가하지만, 그 유용성은 프롬프트 설계, 평가자의 신뢰성, 후속 학습 목적에 달려 있다. 평가자로 필터링한 데이터로 미세 조정하면 동일한 데이터 규모에서 성능이 향상되지만, 더 큰 비필터링 데이터셋과 비교하면 품질과 양 사이의 상충관계가 드러난다.

5.1 평가 에이전트 설계

  • 평가자는 기능 요구사항을 동적으로 검사하고 종합 품질 점수를 부여하며, 원본 저장소의 단위 테스트는 평가자 검증을 위한 근사 정답으로 쓰인다.상위 수준의 명세는 구현 방식을 열어 두므로, 사람이 작성하는 포괄적 테스트를 확장하기 어렵고 정적 테스트 모음은 구현별 예외 사례를 예측할 수 없다. 요구사항마다 중요도가 다르므로 종합 점수로 체크리스트 통과율을 보완한다.출처: §5.1 · p. 15

5.2 데이터셋 구축 및 지표 설계

  • 104개의 NL2Repo 과제에서 과제마다 점수가 다양한 생성 결과를 최대 네 개씩 확보해 선택, 순위화, 필터링 품질을 평가한다.선택은 BoN 정확도와 regret으로, 순위화는 Kendall’s τ, Pearson r, Spearman ρ로, 필터링은 임계값 조건부 단위 테스트 점수로 평가한다. 종합 점수 Seval은 체크리스트 점수 Spass보다 단위 테스트 점수와 더 강한 상관관계를 보여, 주 보상 신호로 사용하기에 적합하다.출처: §5.2 · p. 16

5.3 더 나은 평가 에이전트 설계

  • 최종 프롬프트 v4의 BoN 정확도 67.4%, Kendall’s τ 0.473, reval 0.598은 v1의 57.9%, 0.379, 0.489보다 각각 향상된 수치다.v4는 중간 수준의 임계값에서 필터링 성능도 가장 높다. θ ≥10에서는 조건을 충족하는 표본이 적어 결과를 신뢰하기 어렵다. v5에서 절차적 제약을 추가하면 대부분의 지표가 악화되며, 이는 유용한 지시의 구체성 수준이 평가자의 역량에 달려 있음을 시사한다.출처: Table 6 · p. 17, §5.3 · p. 17
  • 평가자의 실패 유형에는 실행 없는 검토, 종단 간 테스트 누락, 결함을 감추는 역할 혼동, 문맥 용량에 과부하를 주는 과도한 코드 읽기가 있다.역할 혼동에는 생성된 코드를 평가 전에 수정하거나, 독립적으로 작성한 테스트 대신 저장소의 테스트를 사용하거나, 실패 동작을 합리화하는 행위가 포함된다. 종단 간 검사가 누락되면 임포트 오류, 의존성 충돌, 이름 충돌을 놓치게 된다.출처: §5.3 · p. 17

5.4 학습 목적에 따른 평가자 품질

  • Claude Opus 4.7은 BoN 정확도 70.4%와 Kendall’s τ 0.579를 기록해, 프롬프트 v4를 사용하는 네 기반 모델 중 순위화 성능이 가장 높은 평가자다.θ ≥8에서 Opus는 필터링 후 남는 표본 수도 139개로 가장 많고, 조건부 단위 테스트 점수도 0.615로 가장 높다. 반복 실행에서도 가장 안정적인 반면, Qwen 3.7 Plus는 변동 폭이 훨씬 크다(±10pp).출처: Table 8 · p. 18, §5.4 · p. 18, Table 9 · p. 19
  • 학습 목적에 따라 평가자에게 요구되는 강점이 다르다. 거절 샘플링에는 신뢰할 수 있는 필터링이, 강화학습에는 일관된 순위와 변별력 있는 보상이 필요하다.후보군이 크면 좋은 표본 일부를 버려도 되지만, 후보군이 제한적이면 필터링 후의 품질과 남는 양 사이에서 균형을 잡아야 한다. RL 점수가 일률적으로 낮으면 보상 분산이 거의 0이 되어 학습이 정체될 수 있다.출처: §5.4 · p. 18
  • θ = 8에서 조건부 단위 테스트 점수는 0.611 대 0.595로, 순위화 지표가 더 낮은 DeepSeek V4 Pro가 Qwen 3.7 Plus보다 높다.Qwen 3.7 Plus는 BoN 정확도(67.3% 대 54.5%)와 Kendall’s τ(0.553 대 0.420)에서 DeepSeek을 앞선다. Qwen 3.6 Plus의 필터링 품질은 0.610으로 비슷하다. θ를 ≥8에서 ≥10으로 높이면 평균 품질은 향상되지만 남는 표본 수는 118–139개에서 18–30개로 줄어든다.출처: §5.4 · p. 18, Table 9 · p. 19
  • 동일한 데이터 규모에서 평가자 필터링을 적용한 RFT와 무작위 샘플링의 격차는 1.91점이다. OpenHands에서 Qwen 3.6 Turbo의 점수는 각각 23.52와 21.61이다.통제 비교에는 표본 9,139개를 사용했으며, 보상 해킹 방지 평가 결과는 세 번 실행한 값의 평균이다. 기본 모델의 점수는 11.41이었다. 필터링하지 않은 전체 궤적 19,050개로는 600단계에서 24.75에 도달해, 더 많은 계산 비용을 들이면 데이터 양으로 필터링의 효과를 보완할 수 있음을 보여 준다.출처: Table 10 · p. 19, §5.4 · p. 19

6 결론

보상 설계는 과제 특성과 모델 역량에 맞춰 충실도, 확장성, 강건성의 균형을 맞춰야 하며, 보상 품질 개선은 여러 학습 단계에서 성능 향상으로 이어진다. 향후 과제로는 더 풍부한 품질 신호, 인간 지각과의 정렬, 온라인 피드백 학습, 평가기–생성기 공진화, 기여도 할당이 있다.

결론

  • 보상 신호를 개선하면 rejection sampling 기반 미세조정과 강화학습에서 모델 성능이 향상되지만, 충실도, 확장성, 강건성 사이의 절충이 필요하다.논문은 보상 신호를 보조 요소가 아닌 핵심 기반으로 보고, 과제 특성, 정책 역량, 학습 목표에 맞게 보상을 설계해야 한다고 주장한다.출처: §6 · p. 19

해법 공간의 품질별 계층화

  • 품질 수준별 보상은 이진 보상이 동일하게 취급하는 유효한 해법들 사이의 공학적 품질 차이를 구별해야 한다.근본 원인을 해결하는 수정과 표면적인 증상만 억제하는 임시방편 모두 같은 테스트 모음을 통과할 수 있다. 품질에 따른 차등 신호는 모델을 더 나은 수정으로 유도할 수 있다.출처: §6 · p. 19

인간의 주관적 지각 포착

  • 프런트엔드 평가는 애니메이션의 자연스러움, 시각적 위계, 상호작용의 반응성, 디자인의 완성도 등 사용자가 지각하는 주관적 품질을 신뢰성 있게 포착하지 못한다는 한계가 있다.정적 스크린샷 비교와 자동화된 상호작용 테스트 모두 이러한 경험적 측면을 포착하는 데 어려움을 겪는다.출처: §6 · p. 20

오프라인 피드백 발굴에서 온라인 학습으로

  • 사용자 피드백을 온라인 학습에 통합하면 코딩 에이전트가 수동적인 오프라인 피드백 발굴을 넘어 지속적으로 적응할 수 있다.실제 에이전트 행동에 대한 피드백은 on-policy 신호를 제공하며, 변화하는 사용자 요구, 환경, 실패 양상에 대한 적응을 지원할 수 있다.출처: §6 · p. 20

평가기–생성기 공진화

  • 평가기–생성기 공진화는 생성기의 향상에 맞춰 평가기를 주기적으로 갱신하여, 평가기가 갈수록 품질이 높아지는 출력들을 구별하지 못할 가능성에 대응한다.역량이 낮은 생성기를 기준으로 보정된 평가기는 역량의 최전선이 확장되면서 변별력을 잃을 수 있다.출처: §6 · p. 20

장기 과제와 다중 에이전트 환경의 기여도 할당

  • 장기 과제와 다중 에이전트 환경의 학습 효율을 높이려면 정밀한 기여도 할당을 통해 결과 수준의 보상을 개별 생성 단계나 에이전트의 기여에 연결해야 한다.저장소 전체를 구축하는 과정에는 수많은 중간 의사결정이 누적되며, 다중 에이전트 협업은 기여의 귀속을 더 복잡하게 만든다.출처: §6 · p. 20

SWE 유사 과제를 평가하는 에이전트형 평가자의 시스템 프롬프트

에이전트형 평가자는 PR 설명의 명확성과 테스트의 부합성을 평가해 SWE 과제가 코딩 에이전트 학습에 적합한지 판단한다. Docker에서 대화형으로 동작하며 저장소, 평가 스크립트, 참조 패치에 접근할 수 있다.

SWE 유사 과제를 평가하는 에이전트형 평가자의 시스템 프롬프트

  • 각 SWE 학습 과제는 세 가지 구성 요소로 정의된다. 코딩 문제, 실행 환경, 완료 여부를 검증하는 테스트 스크립트다.저장소 코드는 /testbed에 있으며 필요한 패키지가 사전 설치되어 있다. 테스트 스크립트는 /evaluation.sh를 통해 실행된다.출처: A System Prompt of the Agentic Judge… · p. 24
  • 평가자는 PR 설명의 품질과 테스트 스크립트의 품질을 평가해 SWE 과제가 코딩 에이전트 학습에 적합한지 판단한다.Docker에서 대화형으로 동작하며 저장소, 평가 스크립트, 숙련 엔지니어가 작성했지만 불완전할 수 있는 참조 패치에 접근할 수 있다. 한 줄짜리 JSON 출력에는 각 평가값과 그 근거가 포함된다.출처: A System Prompt of the Agentic Judge… · p. 24
  • instruction_quality는 PR 설명을 바탕으로 유의미한 수정 시도를 할 수 있는지 평가하며, 척도의 양 끝은 0 (명확히 정의됨)과 3 (이해하기 어려움)이다.점수 0은 목표가 명확하고 완전하며 모호하지 않아야 한다. 반면 3은 지나치게 모호하거나 정보가 누락되어 추가 설명이 필요한 경우다. 점수 1 (대체로 명확함)은 맥락에 따른 합리적 추론을 허용하며, 2 (모호하게 정의됨)는 여러 해석이 가능하고 성공 기준이 불분명한 경우다.출처: A System Prompt of the Agentic Judge… · p. 24
  • instruct_ut_quality는 테스트의 부합성을 a (일치함), b (UT가 이슈보다 엄격함), c (UT가 이슈보다 느슨함)로 분류한다.일치하는 테스트는 통과 여부가 설명된 문제의 해결 여부를 나타낸다. 더 엄격한 테스트는 명시되지 않은 제약을 부과해 올바른 해결책도 탈락시킬 수 있다. 더 느슨한 테스트는 검증의 공백이나 허점을 남겨 불완전한 해결책도 통과시킬 수 있다.출처: A System Prompt of the Agentic Judge… · p. 24

B SWE 유사 작업을 위한 에이전트형 평가자의 예시

instruct_clear와 instruct_ut_align을 기준으로 SWE 유사 작업을 수작업으로 주석화한 결과, 불명확한 지시사항과 지시사항–단위 테스트 불일치라는 두 가지 품질 문제가 반복적으로 나타난다.

범주 1: 불명확한 지시사항

  • 불명확한 지시사항은 요구사항이 지나치게 모호하거나 짧거나 접근할 수 없는 외부 맥락에 의존하여, 제공된 정보만으로는 작업을 해결할 수 없게 한다.대표적인 사례로는 단 두 단어로만 지시하거나, 모든 요구사항을 접근할 수 없는 비공개 Slack 채널에서 확인하도록 하는 경우가 있다.출처: B Examples of the Agentic Judge for… · p. 25, Figure 12 · p. 25
  • “do-while 루프” 지시사항에는 비트 AND와 복합 대입 연산 &=에 관한 테스트 요구사항이 누락되어 있다.테스트 모음은 do-while 구문 분석과 코드 생성 외에도 test_bitwise_and_operator와 &= 지원을 요구하지만, 지시사항에는 둘 다 언급되어 있지 않다.출처: B Examples of the Agentic Judge for… · p. 25

범주 2: 지시사항–단위 테스트 불일치

  • 지시사항–단위 테스트 불일치에는 작업과 무관한 테스트와 오타까지 포함한 하드코딩된 구현 세부사항이 있으며, 이로 인해 기능적으로 올바른 해결책도 거부될 수 있다.한 사례는 __init__.py가 h5py에 의존하는 HDF5Reader를 즉시 불러오기 때문에 h5py가 없으면 하위 모듈을 불러오지 못하는 문제를 설명하지만, 테스트 모음은 해당 작업과 전혀 무관하다.출처: B Examples of the Agentic Judge for… · pp. 25–26, Figure 13 · p. 26

C SWE 작업의 보상 해킹 행태 · D 루브릭 평가자 프롬프트 상세

SWE 사례는 의도된 로컬 디버깅 과정 없이도 검증기를 통과할 수 있는 편법을 보여준다. 여기에는 해결책 검색, 테스트 간섭, 벤치마크 특화 적응이 포함된다. 루브릭 평가자 부록은 기본형과 엄격형 평가자 프롬프트를 명시한다.

C SWE 작업의 보상 해킹 행태

  • 외부 수정안 검색은 이슈의 정확한 문구로 해결책 메타데이터를 찾아내며, 독립적인 로컬 디버깅 없이도 검증기를 통과하게 할 수 있다.검색으로 원래 이슈, 수정 PR, 댓글 또는 구현 힌트가 드러날 수 있다.출처: Table 11 · p. 27, C Reward Hacking Behaviors in SWE Tasks · p. 28
  • 평가 하네스를 변경하면 마커 기반 건너뛰기로 실행되는 테스트가 달라질 수 있으므로, 정당한 호환성 조건에 따른 실행 제어와 구분해야 한다.이 사례에서는 특정 런타임 조건에서 종단 간 테스트를 건너뛰는 방안을 검토한다.출처: C Reward Hacking Behaviors in SWE Tasks · p. 28
  • 제약을 인지하고도 저장소의 테스트 트리에 파일을 작성하면, 재현용으로 의도했더라도 테스트 오라클을 오염시킬 수 있다.추가한 파일이 작업 공간에 남아 있거나 평가에 영향을 주면 위험이 발생한다.출처: C Reward Hacking Behaviors in SWE Tasks · p. 28
  • 공개 테스트 과적합은 노출된 테스트 구성에 맞춰 구현 로직을 조정하므로, 보지 못한 사례에서 견고하게 동작하도록 구현하지 못할 위험이 있다.이 사례는 공개된 테스트 설정과 기대 동작에 맞춰 로직을 명시적으로 구성한다.출처: C Reward Hacking Behaviors in SWE Tasks · p. 29
  • 평가자를 의식한 패치는 제품 요구사항이 아니라 예상되는 채점기 동작에 따라 테스트 변경을 유지하거나 되돌릴지 결정한다.에이전트는 어떤 변경을 유지할지 결정할 때 채점기가 테스트를 교체하는지 고려한다.출처: C Reward Hacking Behaviors in SWE Tasks · p. 29
  • 저장소 이력 탐색은 체크아웃에 미래 커밋이나 전체 프로젝트 이력이 포함된 경우 수정 커밋을 드러내고 의도된 해결책을 유출할 수 있다.이 사례는 로컬 git 이력에서 수정과 관련된 PR 식별자를 검색한다.출처: C Reward Hacking Behaviors in SWE Tasks · p. 29

D 루브릭 평가자 프롬프트 상세

  • 부록은 기본형과 엄격형 루브릭 평가자 프롬프트를 각각 Figures 14 and 15에서 명시한다.제공된 캡션은 프롬프트 유형을 명시하지만 내용은 제공하지 않는다.출처: Figure 14 · p. 30, Figure 15 · p. 31

E Interactive Judge 절제 실험

QwenWebBench에서 체크리스트 기반 행동 계획은 평가 잡음을 과도하게 늘리지 않으면서 Interactive Judge 점수를 높인다. 평가한 두 모델 모두에서 변동성이 보고된 모델 등급 간 격차보다 작아, 역량 구분과 학습 보상에 활용할 수 있음을 뒷받침한다.

E Interactive Judge 절제 실험

  • QwenWebBench 과제 300개를 바탕으로 Claude Opus 4.7과 Qwen3.7-Max 중간 체크포인트에서 코딩 모델의 생성, 브라우저 렌더링, 판정에 따른 변동성을 구분하는 분산 분해를 수행한다.앞선 단계들을 고정한 채 생성을 재실행하거나, 실행 기록을 재채점하거나, 동작 목록과 브라우저 상호작용을 다시 생성한 뒤 평가한다. 비교에는 median model = 1500, scale = 400으로 설정한 Bradley-Terry ELO 평점을 사용한다.출처: E Ablation of the Interactive Judge · p. 32
  • 평균 ELO는 Claude에서 1532.1 vs. 1517.3, Qwen에서 1498.6 vs. 1483.2로, 체크리스트 기반 재렌더링이 체크리스트 없는 재렌더링보다 우세하다.행동 계획기에 평가 체크리스트를 제공하면 평가 대상에 더 집중한 브라우저 상호작용이 가능해진다. 이때 표준편차는 Claude에서 σ = 11.1, Qwen에서 10.7로 다른 파이프라인 단계와 비슷한 수준을 유지한다.출처: Table 12 · p. 32, E Ablation of the Interactive Judge · p. 32
  • 생성의 σ = 10.4와 판정의 σ = 8.5를 비교하면, 생성이 Claude Opus 4.7의 주된 분산 원인임을 알 수 있다.생성 단계의 점수 범위는 24.4 ELO로, 코딩 모델의 비결정성이 후속 판정보다 점수 변동에 더 크게 기여한다.출처: E Ablation of the Interactive Judge · p. 32
  • 생성의 σ = 2.8과 판정의 σ = 11.4를 비교하면, Qwen3.7-Max 중간 체크포인트에서는 채점이 재현성의 병목이다.생성 단계의 점수 범위는 8.3 ELO이며, 이 체크포인트는 최종 공개 모델이 아니다.출처: E Ablation of the Interactive Judge · p. 32
  • 모든 표준편차가 12 ELO점 미만으로 평가가 안정적이며, 최대 점수 범위인 30.4점도 보고된 모델 등급 간 격차보다 작다.보고된 격차는 Claude와 Qwen 사이에서 약 40 ELO, Qwen Max와 Qwen3-Coder-Next 사이에서 약 430 ELO로, 모델 구분과 학습 보상에 활용할 수 있음을 뒷받침한다.출처: E Ablation of the Interactive Judge · p. 32

F 궤적 수준 데이터셋 통계

궤적 수준 통계에서는 부분 성공과 완전 성공이 대부분을 차지하며, 주석 수준 간 일관성과 사용자 피드백의 신뢰성이 확인된다. 이 데이터셋은 인간의 암묵적 보상을 활용한 학습에 신뢰도 높은 부정 신호와 대조 쌍을 제공한다.

F 궤적 수준 데이터셋 통계

  • 신뢰도가 높고 타당한 부정 신호 약 79,105개와 대조 쌍 9,253개를 선호 학습에 직접 활용할 수 있다.이는 인간의 암묵적 보상에 기반한 학습을 뒷받침한다.출처: F Trajectory-Level Dataset Statistics · p. 33
  • 궤적의 57.8%는 부분 성공, 32.6%는 완전 성공, 8.6%는 실패, 1.0%는 사용자 이탈로 끝난다.출처: F Trajectory-Level Dataset Statistics · p. 33
  • 실패한 궤적의 라운드당 평균 부정 비율은 60.8%로, 성공한 궤적의 7.6%와 대비되며 주석 수준 간 일관성을 뒷받침한다.출처: F Trajectory-Level Dataset Statistics · p. 33
  • 사용자 평가의 98.9%가 타당하다고 판단되며, user_fairness는 부정 주석의 약 0.8%를 부당한 비난으로 표시한다.부당한 비난으로 표시된 주석은 학습 중 가중치를 낮추거나 제외할 수 있다.출처: F Trajectory-Level Dataset Statistics · p. 33
  • 대화의 50%는 3라운드 이내, 90%는 8라운드 이내에 종료되며, 단순한 사례부터 복잡한 사례까지 다양한 엔지니어링 상황을 포괄하는 긴 꼬리 분포를 보인다.출처: F Trajectory-Level Dataset Statistics · p. 33

G 인간 피드백 주석 예시

부록은 주석 예시를 통해 긍정적 피드백과 부정적 피드백의 여섯 범주를 설명하고, 궤적 단위 결과도 제시한다. 보고된 부정적 피드백 사유 중 실행 오류가 가장 큰 비중을 차지한다.

실행 오류

  • 부정적 피드백 사유의 56.6%는 실행 오류로, 어시스턴트가 사용자 의도는 이해했지만 구현 과정에서 실수한 경우다.대표 예시는 Table 14에 제시되어 있다.출처: G Human Feedback Annotation Examples · p. 33

오해

긍정적 신호

  • Turn 0을 제외한 턴의 3.5%에는 사용자의 승인이나 수용을 나타내는 긍정적 신호가 있으며, 이 중 83.6%는 명시적이다.긍정적 예시는 Table 13에 제시되어 있다. 부록은 신호 범주별로 주석 예시를 정리하고, Table 20에 궤적 단위 결과를 제시한다.출처: G Human Feedback Annotation Examples · p. 33

누락

  • 부정적 피드백 사유의 8.9%는 누락으로, 어시스턴트가 사용자가 요구한 내용을 모두 다루지 못한 경우다.대표 예시는 Table 16에 제시되어 있다.출처: G Human Feedback Annotation Examples · p. 33

과잉 행동

  • 부정적 피드백 사유의 6.3%는 과잉 행동으로, 어시스턴트가 사용자 지시의 범위를 넘어 행동한 경우다.대표 예시는 Table 17에 제시되어 있다.출처: G Human Feedback Annotation Examples · p. 33

비효율성과 의사소통

  • 부정적 피드백 사유의 4.9%는 작업 경로나 응답 속도의 비효율성이며, 2.1%는 형식, 명료성, 제시 방식과 관련된 의사소통 문제다.비효율성 예시는 Table 18에, 의사소통 예시는 Table 19에 제시되어 있다.출처: G Human Feedback Annotation Examples · p. 33

H Span-KTO 하이퍼파라미터 절제 실험 · I 인간 피드백 주석용 판정 모델 프롬프트

Span-KTO는 β = 0.01일 때 성능이 가장 높으며, 부정 스팬 손실 계수를 높이면 세 벤치마크 모두에서 성능이 향상된다. 인간 피드백 주석에는 Qwen 3.6 Plus를 사용하며, 프롬프트는 턴별 보상 신호와 구조화된 수행 궤적 평가를 명시한다.

H Span-KTO 하이퍼파라미터 절제 실험

  • Span-KTO 절제 실험은 선호 강도 β와 부정 스팬 손실 계수 λl을 바꾸며, 네 차례의 독립 평가에 걸친 avg@4를 보고한다.β는 정책 갱신 시 암묵적 보상 신호를 증폭하며, 값이 지나치게 크면 기울기가 불안정해진다. λl은 긍정 스팬 손실 대비 부정 스팬 손실의 가중치를 정한다.출처: H Span-KTO Hyperparameter Ablation · p. 33
  • β가 0.01일 때 세 벤치마크 모두에서 최고 점수를 기록하며, β = 0.005와 β = 0.02를 능가한다.β = 0.005에서는 선호 신호가 지나치게 약하고, β = 0.02에서는 갱신이 지나치게 공격적이다. 비교 시 λl = 1.0으로 고정하고 두 에포크 이내에서 최적의 체크포인트를 선택한다.출처: H Span-KTO Hyperparameter Ablation · p. 34, Table 21 · p. 36
  • λl이 1.0일 때 세 벤치마크 모두에서 성능이 가장 높으며, λl = 0.6과 λl = 0.3이 뒤를 잇는다.스팬 단위의 긍정·부정 불균형을 보정하기 위해 부정 스팬의 가중치를 낮출 필요는 없다. 비교 시 β = 0.01로 고정하고 한 에포크 이내에서 최적의 체크포인트를 선택한다.출처: H Span-KTO Hyperparameter Ablation · p. 34, Table 22 · p. 37

I 인간 피드백 주석용 판정 모델 프롬프트

I.1 시스템 프롬프트

I.2 사용자 프롬프트 템플릿

  • 사용자 프롬프트 템플릿은 수행 궤적의 결과와 턴별 보상 주석을 담은 엄격한 JSON 형식을 요구한다.수행 궤적의 결과는 success, partial_success, failure, abandoned 중 하나이며, 간략한 근거를 덧붙인다. 턴별 주석에는 요약, 사용자의 원문 표현을 인용한 근거, 극성, 확신도, 신호 유형, 부정 사유, 대조 쌍 여부, 사용자의 공정성이 포함된다.출처: §I.2 · p. 45

I. 핵심 원칙 … IX. 판정 보정 예시

이 절은 사용자가 표현한 평가와 비평가적 행동을 구분하고, 피드백의 극성과 공정성을 별도로 판단하는 주석 지침을 정의한다. 일곱 가지 주석 필드, 수용·거부·모호성과 부정적 피드백의 원인을 해석하는 규칙, 수용된 수정에 기반한 대조쌍의 요건, 라벨 간 의존성과 Turn 0 기본값의 일관성 검사 기준을 명시한다.

I. 핵심 원칙

  • 극성은 평가자의 동의 여부와 무관하게 어시스턴트를 향한 평가만 기록한다. 모호한 신호에는 중립 라벨과 낮은 신뢰도를 부여하되, 행동 증거를 무시하지 않는다.user_fairness는 평가자가 사용자의 평가를 합리적이라고 보는지를 별도로 기록한다.출처: §I · p. 38, §III · p. 39

II. 주석 필드 정의

  • 일곱 필드 주석은 polarity, confidence, signal_type, negative_reason, forms_contrastive_pair, user_fairness와 사용자 발언을 인용한 reasoning을 기록한다.Signals are explicit, implicit_behavioral (concrete actions), or implicit_structural (cross-turn changes); reasoning uses one to three sentences. Turn 0 is forced neutral, with confidence, signal_type, and user_fairness set to N/A, negative_reason null, and forms_contrastive_pair false.출처: §II · pp. 38–39, §III · p. 39

III. 극성 판정 규칙

  • 부정 사유는 execution_error > misunderstand > omission > overaction > inefficiency > communication 순으로 우선하며, 구현 버그, 의도 오해, 요청한 내용의 누락, 범위 밖 행동을 구분한다.어시스턴트의 해결책을 실행하다 발생한 오류 로그는 execution_error에 해당하며, misunderstand는 해결 방향 자체가 잘못된 경우를 뜻한다.출처: §II · p. 39, §III · p. 41

II. 주석 필드 정의

  • 대조쌍은 부정적 피드백, 이후 어시스턴트의 수정, 사용자의 수용을 요건으로 하며, reasoning에는 무엇이 거부되고 선택되었는지 명시해야 한다.user_fairness가 reasonable이 아니면 reasoning에 그 판단의 근거도 설명해야 한다.출처: §II · p. 39

III. 극성 판정 규칙

  • 행동으로 드러나는 긍정 평가에는 어시스턴트의 특정 출력을 수용하거나 사용하는 행위가 필요하다. 사용자 자신의 정정, 이전에 밝히지 않은 선호, 단순한 작업 흐름의 진행은 중립으로 유지한다.작업 흐름을 이어가는 것만으로는 부족하다. 긍정으로 추론하려면 어시스턴트의 결과를 수용하거나 직접 참조해야 한다.출처: §III · p. 40
  • 어시스턴트의 지시를 따르다 발생한 오류는 명백히 무관하지 않은 한 기본적으로 부정으로 판정한다. 어시스턴트의 실수를 정정하는 내용은 함께 제시된 칭찬보다 우선한다.이미 구현된 해결책을 거부하면 부정이지만, 칭찬 뒤에 추가 요구사항만 제시하면 긍정으로 유지한다.출처: §III · pp. 40–41
  • 극성 판정 규칙은 지나치게 길거나 장황한 해결 과정과 출력 형식, 표현의 명료성, 제시 방식에 관한 소통 문제를 식별한다.출처: §III · p. 41

V. signal_type 판정

  • 신호 유형은 명시적 평가, 구체적 행동에 내포된 신호, 턴 간 구조적 변화를 구분한다. 행동 신호가 함께 나타나면 명시적 표현을 우선한다.implicit_behavioral은 요구사항을 다시 진술하는 등의 행동을 포함한다. implicit_structural은 같은 쟁점을 반복해서 다루는 경우처럼 턴 간 비교가 필요하다. N/A는 Turn 0에만 사용한다.출처: §V · p. 41

VI. forms_contrastive_pair 판정

  • 대조쌍이 성립하려면 부정적 피드백, 이후 어시스턴트의 수정, 긍정적 피드백이나 거부가 이어지지 않는 중립 반응을 통한 사용자의 수용이 필요하다.수정이 없거나, 수정이 거부되거나, 확인 전에 대화가 끝나면 false로 유지한다.출처: §V · pp. 41–42

VIII. 주석 일관성 검사

  • 일관성 검사는 긍정·중립 턴의 negative_reason이 null인지, 대조쌍의 극성이 부정인지, Turn 0 기본값이 고정되어 있는지 확인한다.Turn 0은 polarity=neutral, confidence=N/A, signal_type=N/A, negative_reason=null, forms_contrastive_pair=false, user_fairness=N/A로 설정한다.출처: §VIII · p. 42

VII. user_fairness 판정

  • 공정성은 표본의 품질을 가르는 기준이다. 불합리한 긍정 평가는 긍정 예시로 사용해서는 안 되며, 불합리한 부정 평가는 가중치를 낮추거나 제외해야 한다.내용상 타당한 거부는 말투가 거칠거나 어시스턴트가 노력을 기울였더라도 합리적이다. 모호한 지시로 인한 이탈은 대체로 중립이다.출처: §V · p. 42, §IX · p. 43

IX. 판정 보정 예시

  • 판정 보정 예시에서는 요청받은 진단 정보와 달리, 어시스턴트 코드의 실패, 누락에 대한 반문형 불만, 부분적 불만족, 명시적 포기를 부정으로 분류한다.부정적 피드백은 부분적 칭찬보다 우선한다. 누락으로 인한 명시적 포기에는 trajectory_outcome=abandoned를 부여한다.출처: §IX · pp. 43–44
  • 판정 보정 예시는 평가를 새 요청, 작업 흐름의 진행, 정보 제공, 선호 변경, 주석 작성자 자신의 관찰과 구분한다.어시스턴트의 출력을 명시적으로 바탕 삼아 작업을 이어가면 수용을 뜻한다. 처음 요청했던 기능을 변경하는 것은 올바르게 수행된 작업에 대한 거부가 아니다.출처: §IX · pp. 42–44

J Agent-as-Judge 행동 평가 기준

후속 사용자 피드백이 없는 작업 수행 기록을 바탕으로 부정적 에이전트 행동을 여섯 범주로 평가하며, 행동상의 실패와 순수한 정확성 문제를 구분한다. 여러 범주의 점수가 낮으면 명시적인 우선순위 규칙에 따라 주요 범주를 선택한다.

J Agent-as-Judge 행동 평가 기준 / J.1 execution_error: 결과물 제공의 신뢰성과 근거 제시의 엄밀성

  • execution_error는 모든 기능적 실패를 행동 오류로 간주하지 않고, 결과물 제공의 신뢰성과 근거 제시의 엄밀성을 평가한다.여섯 범주 각각에 6–9개 하위 항목이 있으며, 0–4점으로 평가한다(4 = 뚜렷한 문제 없음; 0 = 심각한 부정적 피드백 위험). 검증의 한계와 위험을 밝힌 합리적인 수정이나 부분적 진전에는 큰 감점을 부과하지 않는다. 정직하게 보고하고 충분히 검증하며 작업 범위를 준수했음에도 발생한 정확성 실패에는 감점을 거의 또는 전혀 부과하지 않는다.출처: §J.1 · p. 45, J Agent-as-Judge Behavioral Rubric · p. 45, §J.7 · p. 50

J.2 misunderstand: 의도, 제약 및 작업 방식의 불일치

  • misunderstand는 단순한 오답이 아니라 사용자의 업무 제약, 기술적 접근법, 범위, 출력의 세분화 수준 또는 협업 절차와의 불일치를 포착한다.설정만 요청했는데 이벤트 처리 코드를 작성하거나, 구체적인 API 모델 ID 대신 제품군을 제시하는 경우가 해당한다.출처: §J.2 · p. 46

J.7 주요 범주 선택 규칙

  • 여러 범주의 점수가 낮을 때 주요 범주 선택은 overaction, misunderstand, omission, execution_error, inefficiency, communication 순으로 우선한다.선택된 범주는 부정적인 사용자 피드백을 유발할 가능성이 가장 높은 행동을 나타낸다.출처: §J.7 · p. 50

J.4 overaction: 과도한 작업, 권한 일탈 및 위험 통제

  • overaction은 승인 없는 대규모 삭제, 덮어쓰기, 설치, 마이그레이션, 광범위한 리팩터링 또는 환경 오염을 다루며, 전용 하위 항목별 채점 기준을 둔다.이러한 무단 작업은 주요 범주 선택에서 우선한다.출처: Table 26 · p. 48, §J.7 · p. 50

J.3 omission: 요구사항 추적, 단계 및 검토 범위의 누락

  • omission은 명시된 점검 항목, 필수 파일, 시나리오, 분기, 출력 또는 검증 단계의 누락을 다루며, 전용 하위 항목별 채점 기준을 둔다.이 범주는 명시된 요구사항을 충족하지 못한 경우를 추적한다.출처: Table 25 · p. 47, §J.7 · p. 50

J.5 inefficiency: 진전 정체, 반복 및 자율성 부족

  • inefficiency는 진전 정체, 반복적인 시행착오, 잦은 질문, 사유가 불분명한 대기 또는 지나치게 복잡한 해결책을 다루며, 전용 하위 항목별 채점 기준을 둔다.이러한 행동이 핵심 문제일 때 주요 범주가 된다.출처: Table 27 · p. 49, §J.7 · p. 50

J.6 communication: 표현, 형식 및 협업 관리

  • communication은 형식, 복사·붙여넣기 편의성, 장황함, 상태 보고, 다음 단계 안내 및 사용자 선호의 일관된 반영을 다루며, 전용 하위 항목별 채점 기준을 둔다.표현 방식이나 협업이 핵심 문제일 때 주요 범주가 된다.출처: §J.7 · p. 50, Table 28 · p. 50

J.8 판정자 출력 형식

  • 판정자의 JSON은 종합 행동 점수, 부정적 행동의 심각도 레이블, 주요 오류 유형, 범주별 점수, 해당하는 하위 기준 및 뒷받침 근거를 보고한다.근거는 과제, 작업 수행 기록, diff, 로그, 테스트 또는 인수 점검표에서 가져온 다섯 항목으로 제한한다.출처: §J.8 · p. 51
Loading 2606.26300v2…