上周翻 arXiv 的 cs.LG 新提交流，扫到一个标题起得一点不绕的：SWE-VERIFIER: Selective Verification for Cost-Efficient Coding Agents。10 月 21 日挂的 v1，八位作者，密歇根和 UW 那几个名字里，Lu Wang、Rada Mihalcea 都在。
先声明，这期不是常规 repo 巡礼。模型、代码、数据都放出来了，入口在论文里，别问我要 owner/repo——这次真没有，我也懒得现编一个凑数。
它干的事一句话就能说完：教编码 agent 学会“只在值得怀疑的时候才怀疑”。
我点进去，是因为被这件事烦过。现在这些编码 agent 的算力账，大头不在“想”，在“想歪了还继续想”——动作选错一步，后面一长串交互历史全是废的，token 照烧，账单照跳。全步验证听着最稳妥：每一步都采几个候选动作、都打分、都排个序。问题是每一步都这么干，省下的那点返工钱还不够付验证的钱。
这篇的核心观察就一句：采样加验证确实能改善决策，但把它无差别地铺满整条轨迹，纯属用钱买安心。
机制不复杂，我用自己的话说。agent 想执行某个动作，先别急，把这个动作丢给 SWE-Verifier 打个分；分数难看的，才去补采几个候选动作；执行前再对候选排一次序。分数看得过去的，直接放行，一步都不多花。
有点像组里那位最凶的 reviewer，不是每一行都拦下来看，是闻到味道才叫停。
基座是 Qwen3.5-4B，够小。训练数据是偏好数据：动作配上对应的环境观测，再配上由 rubric 引导的教师分数。说白了就是在教一个 4B 模型判断“这一手像不像臭棋”。
有个细节我挺喜欢——它给动作打分的时机是在执行之前，不是执行完之后回头复盘。事后诸葛亮式的验证谁都会做，难的是在下手之前拦住。
数字这块，mini-swe-agent 框架下对着 MiniMax-M2.7 跑：解决率 75.47% → 77.20%，推理成本跑到原来的 1.09 倍。换 DeepSeek-V4-Flash，72.60% → 74.27%，1.13 倍成本。而且训练时根本没用过 DeepSeek-V4-Flash 的动作数据，是直接迁过去的。
1.7 个点，我不打算吹成什么压倒性胜利。SWE 类任务的方差摆在那儿，单看第一组我会说“有点东西，但还没到让我拍桌子的程度”。
真正让我多看两眼的是两组数字之间的关系。花 9% 的额外成本换 1.7 个点，这个兑换率我认；但更关键的是第二组——没过训练就能迁移，说明它学到的是“这个动作在当前观测下靠不靠谱”这种跟具体模型关系不大的判断，而不是背下了某个模型的出牌习惯。可迁移的验证器，比多涨两个点的验证器值钱得多。
然后是我觉得全文最该被拎出来讲的那个数：在两个被测模型上，实际触发验证的步骤占比不到 4%。
96% 的步骤它选择了放行，解决率仍然跟轨迹基线、全步验证基线打平或者更高，成本还显著更低。这一条基本就把“全步验证”那条路线的性价比问题摊在桌面上了——以前大家做全步验证，是拿它当上界引用的；现在这个上界被一个 4B 的小模型用 4% 的触发率摸到了。
我前面说涨幅不够炸，那是站在排行榜的视角讲的。站在这条 4% 的视角上，这篇的结论比它的主表凶得多。
想试的话，门槛得说清楚。模型、代码、数据都放出来了，链接在论文里，这点没得挑。但它不是那种 pip install 完就能用的东西：SWE-Verifier 是个中间件，要塞进你自己的 agent 循环里，替换掉原来那套采样接口。动作空间、观测格式、rubric 怎么写，都得按你的任务重新对齐。论文里的实验全在 mini-swe-agent 这套 harness 上做的，换框架、换任务域，顺不顺我不敢替作者担保。
我自己只把论文从头到尾读了一遍、翻了下放出来的东西，没真跑——这句先声明在前头，别把我这段当成实测结论。
你手上在跑长轨迹的编码 agent，单步成本已经能让你在月底看账单时沉默三秒，那这篇值得花一晚上。尤其是你已经在用全步验证、或者因为成本问题一直不敢上验证的——这个“选择性触发”的思路正好卡在你那个犹豫的位置上。
不适合谁：任务本来就短、一轮两步就收工的，验证器再轻也是多余的抽象。还有一类，你的 agent 单步成本本来就低得可以忽略，那这套东西省下来的钱不够你改接口的工钱。
观察名单里现在多了个位置。我想等的不是它自己出 v2，是等有人把它接到别的 harness、别的任务域上跑出第三方数字来——一个可迁移的验证器，价值全在“迁移”这两个字上，而这个结论目前只有作者自己的两组实验撑着。等真有第三方把它搬到别处还能涨，我再回来更新这一篇。
能不能打，你自己拉下来跑一圈最准。