如何训练一个比强大更强的 SWE Agentic SLM

从 teacher-centric quality filtering，走向 student-relative residual learning。

训练一个弱 SWE agent 时，目标很清楚：收集正确轨迹，过滤错误动作，然后做 SFT。训练一个已经很强的 agent 时，问题发生了变化。

传统筛选回答的是：这条轨迹好不好？

我们还需要回答另一个问题：这条好轨迹，对当前学生还新不新？

这篇文章的核心观点是：对于已经经过大量 agentic post-training、拥有成熟行为策略的 SWE SLM，数据选择应该从 teacher-centric quality filtering 转向 student-relative residual learning。数据质量不再只是轨迹的绝对属性，而是“数据 × 当前学生 × 学生实际会访问的状态”的相对属性。

SWE-Lego、SWE-Master 等方法仍然是必要的第一层筛选；在此之后，teacher-forced NLL 是一个有效、廉价的第二层指标，可以近似衡量候选轨迹对当前学生还剩多少信息。更进一步，我们不应只在 teacher 已经走完的成功轨迹上训练，还应尽可能从 student rollout、student failure state 和 student pass@k 难度中选择数据，使监督分布更接近部署时真正遇到的状态。

质量筛选决定轨迹是否值得被任何模型学习；残余学习决定其中哪些行为，仍值得被这个学生学习。

#1. 背景：为什么 v14.d 本来应该成功

近一年的 SWE agent 研究给出了一个非常一致的经验：SFT 往往是小模型能力增长中最划算的阶段。SWE-Lego 依靠高质量数据、错误动作 masking 和难度课程，让 Qwen3-8B 与 Qwen3-32B 在 SWE-bench Verified 上达到 42.2% 和 52.6%；Orchard 的 Qwen3-30B-A3B-Thinking 在 SFT 后达到 64.3%，继续加入 RL 后为 67.5%；SWE-Master 也把 teacher rollout、数据清洗、long-horizon SFT、execution-feedback RL 和 inference scaling 组织成一条完整流水线。13

这些结果建立了今天最常见的 teacher-centric 配方：从较新的 issue pool 采样，让强 teacher 在真实容器中 rollout，保留测试通过且协议正确的轨迹，mask 错误或低效动作，再按难度、长度或 reward 组织课程。

v14.d 正是沿着这条路线构建的。它使用 Orchard-SWE 中 MiniMax-M2.5 生成的成功轨迹，最终训练集包含 16,124 条 trajectories、10,551 个 manifest issues：72.8% 来自 Scale-SWE，27.2% 来自 SWE-rebench。筛选要求外部 resolved、协议有效、无 Git 历史泄漏、无测试污染、没有最终未修复的显式自测失败；训练保留完整 thinking 和多轮 observation。2

从传统标准看，这是一份相当理想的数据：真实 issue、真实执行环境、强 teacher、成功轨迹、完整长程上下文。我们预期它会让 Qwen3.5-4B 成为更好的 SWE agent。

#2. v14.d：训练没有坏，策略却没有变好

训练使用 Qwen3.5-4B FullFT、64K context、2 epochs、global batch 32、peak LR 1e-5。W&B API 返回的完整 1,008-step 日志看起来完全正常：update-loss 全程均值为 0.243，最后 50 步为 0.214；held-out loss 从 0.2646 持续降到 0.2541；1,008 个 loss 和 gradient norm 均为有限值。5

SFT v14.d training log

独立 teacher forcing 也确认模型学到了训练分布：基座在 v14.d train-300 上的 token NLL 为 0.307，SFT 后降至 0.211；validation-256 从 0.300 降至 0.252。15

但闭环结果没有出现预期增益。修复旧评测后，v14.d 在最终 500 题合并结果中严格通过 34.2%，只有 53.6% 的轨迹主动 submit，40.6% 跑满 250 turns。模型更会预测 MiniMax-M2.5，却仍然频繁陷入长程探索、无法收束。6

评测口径。 34.2% 是项目最终合并结果，前 200 题包含选择性重跑，不是统一配置下的一次无偏 pass@1；统一配置的 301–500 题严格通过率为 30.0%。这个限制影响 leaderboard 可比性，但不改变大量 turn-cap 与低 submit 所揭示的行为问题。6

最初的合理怀疑不是“数据对强 student 已经太熟悉”，而是更普通的问题：是不是数据、prompt、chat template、loss mask 或训练配方中藏着一个 bug？

#3. 排除法审计：没有找到能解释结果的训练 bug

我们沿完整链路重新检查了一遍。26

数据协议：v14.c 到 v14.d 只修了一处契约冲突

v14.c 已完成严格的数据选择与全量结构审计，但原始 Orchard 首条 user prompt 仍写着“至少一个 command”，而导出的 mini-swe harness 每轮只接受一个 action。v14.d 没有重新挑选更有利的数据，也没有改写 teacher 行为；它在冻结的 v14.c split 上，把每条轨迹首个 user message 统一改为：恰好一个 <think>...</think>，以及恰好一个 bash block 中的一次 shell action。

重写前后的 issue selection、745,175 个训练 assistant turns、11,624 个 validation assistant turns，以及所有 assistant/observation 内容保持不变。构建器固定 source hash、逐行 fail-closed，并确认 16,124/256 条记录全部完成契约对齐；全量数据仍保留一一配平的 <think>...</think>。26

Chat template 与 loss mask：训练端没有丢历史 reasoning

训练使用实际安装的 MS-SWIFT template，preserve_thinking=true、loss_scale=default。我们把首部样本与序列化最长样本重新编码，逐 token 对比冻结 ChatML 与 trainer 输出；32 条审计样本的 input IDs 和 label mask 全部一致。system、user 与 tool observations 只作为 context；每个 assistant turn 的 reasoning、action 内容和 <|im_end|>\n 都进入 loss。26

这里确实发现过一个 chat-template bug，但它属于旧评测：后续 turn 的 context 丢失了历史 assistant reasoning。修复后的评测保留全部历史 reasoning，而训练数据与训练 loss mask 从未使用那条错误路径。修复后，低 submit 和高 turn-cap 现象仍然存在。6

训练配方：似然目标被稳定优化

最终 run 使用 8×B300、BF16、Flash Attention 2、ZeRO-3、gradient checkpointing、64K no-packing、global batch 32、cosine schedule 与 peak LR 1e-5；这里以 W&B 的真实 run config 为准，而不是以后版本 launcher 的默认值。5 训练、验证与独立 NLL 三条证据都指向同一结论：优化过程稳定，模型也确实更接近 teacher distribution。

这不能证明 v14.d 的每个设计选择都是最优的，但足以排除一个更简单的解释：结果不是因为数据被意外换掉、协议未对齐、历史 reasoning 被训练模板丢弃、loss mask 监督错对象，或 optimizer 数值崩溃。这是一轮实现上正常、目标上成功、闭环行为上不成功的 SFT。

#4. TMax 把单次失败变成了可重复模式

排查到这里，v14.d 仍可能只是一个孤立案例。TMax 提供了更干净的独立对照：同一份 TMax-SFT 数据、相近训练配方，对旧的 Qwen3-8B 有益，却让经过大量后训练的 Qwen3.5-9B 退化。Terminal Bench Lite 上，Qwen3-8B 从 7.3% 提升到 11.5%，Qwen3.5-9B 从 41.9% 降到 35.5%。4

我们用两个模型各自的官方 chat template，在相同 1,000 条 TMax-SFT 轨迹上计算 assistant-token teacher-forced NLL：

token NLL 相差 2.89 倍；排除 tokenizer 粒度影响后的 bits per byte 仍相差 2.84 倍。对 Qwen3-8B，这批数据包含明显的新行为；对 Qwen3.5-9B，它已经高度熟悉。同一数据的收益方向随 student 改变，说明“teacher 轨迹质量高”并不足以决定 SFT 是否有效。4

#5. NLL 实验暴露出一个候选黄金区间

NLL 回答的不是“轨迹是否正确”，而是：给定 teacher 已经走出的历史，学生预测下一段 reasoning、action 和停止信号有多困难。

NLL 是学生相对的信息指标

把 v14.d、TMax 和后续 SWE 轨迹实验放在一起，出现了一个值得检验的分层：

前三个 Qwen3-8B 结果尤其重要：相同 backbone 下，已知获得收益的数据都聚集在 0.738–0.812。SWE-Lego 与 AgentForge 只看完整未截断轨迹时分别为 0.758 和 0.824，说明截断没有制造这一排序。124

这仍不是一条因果曲线。SWE-Lego 和 AgentForge 的 500 条只是公开 trajectory family 样本，不是完整训练 mixture；训练 recipe、mask、curriculum 和 harness 也不同。AxiaoDBL 的 0.55 是 trainer update-loss，而不是与其余条目严格同口径的离线 token NLL。特别是 AgentForge 的 0.812 已略高于 0.8。因此，当前证据更准确地支持一个以 0.5–0.8 为核心、软上缘约到 0.85 的候选工作区间；“黄金区间”是下一轮实验要证伪的假说，不是定律。

同一份 MiniMax v14.d 数据对 Qwen3-8B 的 NLL 为 0.668，是 Qwen3.5-4B 的 2.17 倍。Qwen3.5-4B 对 Kimi-K2.6 与 DeepSeek-V4-Flash Preview SBV traces 的 NLL 也只有 0.319 与 0.355，但我们没有对应的因果 SFT 结果。1215 这些交叉结果再次说明：NLL 测量的是 student × exact traces，不是 teacher 或 issue pool 的绝对质量。

#6. 为什么 NLL 是一个廉价但不充分的指标

Agentic SFT 并不直接优化 issue resolve。它在 teacher 访问过的历史状态上，最大化 teacher 下一段 reasoning、tool call 与终止动作的似然：

固定数据上的交叉熵近似最小化 $D_{\mathrm{KL}}(\pi_T\Vert\pi_\theta)$，但只约束 teacher 访问过的 $h\sim d_T$。部署时 student 面对的是自己过去动作诱导出的 $h\sim d_{\pi_\theta}$；一次错误搜索或编辑，就可能把它带到 teacher 数据没有覆盖的状态。19

因此，SFT 的能力增益来自接口对齐、行为先验重塑与可复用程序迁移。强 student 可能已经掌握前两项；teacher 的完整长程程序也可能超出它的稳定表达能力。此时，低 training loss 只能证明“更像 teacher”，不能证明“在自己的 rollout 中更会解决问题”。

现有数据筛选方法从不同角度逼近训练价值。SWE-Lego、SWE-Master 和 DEITA 先建立正确、干净的 teacher pool；IFD 用 student likelihood 估计样本难度；LESS 一类方法通过 warm-up 与 per-example gradient influence 估计样本对目标任务的相关性；GRAPE、token rank 与 RSR 则补充 distribution fit 和 informative alignment。1172123

NLL 的优势不是信息最完整，而是成本低、协议直接、适合大规模 preflight：冻结 student 后，只需对候选轨迹做一次无梯度 teacher-forcing forward pass；不需要先训练 warm-up checkpoint，不需要保存逐样本梯度，也不依赖一个额外的 target validation set。它能在昂贵的 rollout 扩展和 FullFT 之前，快速排除“绝对正确、但对当前 student 已高度冗余”的数据。

代价是 NLL 只测 residual information：高 NLL 也可能来自噪声、格式不兼容或 student 无法表达的 teacher policy；最低 NLL 又可能只是 student 已经会。更可靠的目标是在质量门控之后寻找 NLL 适度偏高、关键 token rank 仍合理、并对应 student 真实失败状态 的轨迹。跨模型、tokenizer、template、mask 和领域时，区间都会移动；跨 tokenizer 还应报告 BPB 或 nats/character。

#7. 比 issue source 更关键的变量：rollout teacher

AxiaoDBL 作者说明，其训练 issue pool 是 PrimeIntellect/SWE-Lego-Real-Data-Verified 的子集，rollout teacher 是 DeepSeek-V4-Flash。79 Prime 数据来自 SWE-rebench，并经过测试 ID 修复与 gold-patch F2P/P2P 验证；这是一种高质量的传统筛选。

但 issue pool 并不能解释全部差异。我们对 v14.d manifest 与 Prime Verified 的 4,323 个 resolved issues 做 exact instance-id overlap：

完整 overlap 结果与来源 shard 记录见本地实验产物。16

两套训练并非完全不同的 issue 世界；v14.d 已覆盖 Prime pool 的相当一部分。更大的区别是，同类 issues 上生成监督行为的 teacher 不同：MiniMax-M2.5 vs DeepSeek-V4-Flash GA/0731，以及随后的 action masking 与 curriculum 不同。

精确 teacher 版本同样重要。DeepSeek 官方说明，V4-Flash-0731 与 Preview 具有相同架构和规模，主要变化是重新 post-training；但 Terminal Bench 从 61.8 提升到 82.7，NL2Repo 从 39.4 到 54.2，DeepSWE 从 7.3 到 54.4，Toolathlon 从 49.7 到 70.3。10

SWE-Router 的 DeepSeek-V4-Flash SBV traces 在 0731 正式版发布前生成，属于 Preview 时代。12 我们在这份 Preview trace 上测得的 Qwen3.5-4B NLL 是 0.355，不能代替 AxiaoDBL 的 GA teacher 数据。根据作者的社区补充，本稿将 AxiaoDBL teacher 记为 GA/0731 时代；公开 discussion 页面只保留了 DeepSeek-V4-Flash 别名，没有不可变 revision hash。8

这组证据支持一个更强的工程结论：

数据集的单位不是 issue，也不是 resolved trajectory，而是 issue × exact teacher checkpoint × harness × reasoning effort × sampling × loss mask。

一个 benchmark 分数很高的 teacher 不一定能为当前学生提供新能力；同一模型家族的不同 post-training 版本，也可能产生完全不同的训练价值。真正廉价的检验不是看 teacher 名字，而是直接计算学生在候选 teacher traces 上的 NLL。

#8. 从 teacher quality 到 student-relative residual

SWE-Lego 通过执行验证、错误动作 masking 和难度课程提升轨迹质量；SWE-Master 结合 reward、格式、长度、BoN 难度和 LLM judge 过滤；Orchard 进一步用 credit assignment 从失败轨迹中保留有价值的片段。13

这些方法主要解决前三类问题；强 student 还需要加入后两类：

正确性和过程质量决定“能不能学”，其余三维决定“值不值得让这个学生学”。上一节的 NLL preflight 只负责廉价定位可能存在的 residual；IFD、LESS、GRAPE、RSR、token rank 与 student pass@k 则继续判断难度、可吸收性、目标相关性和真实状态覆盖。172123

对于较老或已经被广泛训练过的 issue source，还应额外考虑参数记忆和污染风险；较新的 SWE-rebench、Scale-SWE，以及 Prime/SWE-Lego 式二次环境验证，仍然更适合作为上游池。但筛选不应停在这里。NLL 可以删除“绝对正确、相对冗余”的数据；rank 与执行验证可以排除“很惊讶，但其实不可学或错误”的数据；student rollout 则决定这些监督是否对应模型部署时真的会犯的错。

这就是 student-relative residual learning：

不是把最强 teacher 的全部行为压进 student，而是在高质量行为中，寻找并教授 student 当前策略相对于目标策略的可学习残差。

#9. 为什么需要“近似 on-policy”

纯 teacher rollout 是 off-policy 的：teacher 决定看哪些文件、运行哪些命令、进入哪些中间状态，student 只在这些状态上模仿。即使最终 patch resolved，这些状态也未必是 student 执行时最需要帮助的地方。SWE agent 的 horizon 又很长，早期一次分叉足以让后半段 teacher supervision 失去对应关系。

经典 DAgger 的思路是在 learner 自己诱导的状态上查询 expert；语言模型中的 GKD 也让 student 先生成，再由 teacher 在 student-generated sequences 上提供监督，并允许使用不同于固定 forward-KL SFT 的目标。19 对真实 SWE 环境而言，完全 on-policy 的 teacher annotation 成本很高，但可以采用几种近似：

1. 先让 student rollout，按 pass@k 和失败类型找到“偶尔成功”或可恢复的 issues；
2. 从 student 的失败 prefix、错误 edit 或验证循环开始，让 teacher 纠偏，而不是总从干净初始状态重跑；
3. 保留 student 已经正确的动作，只监督 teacher 相对 student 的关键 residual action；
4. 训练若干 checkpoint 后重新计算 NLL/rank 并重采样，使数据随 student policy 一起移动。

这些方法并不会自动消除 forward KL 的全部局限，但它们把期望中的状态分布从 $d_T$ 推向 $d_{\pi_\theta}$：模型开始在“自己真的会到达的地方”学习，监督也更集中于当前策略的缺口。对于已经较强的 agent，这通常比继续扩大静态 teacher-success 数据更接近真正的能力拓展。

#10. 一个廉价的训练前检查

在启动数千条 rollout 或完整 SFT 之前，可以先做下面的 preflight：

1. 先做传统质量筛选。 环境可执行、patch resolved、F2P/P2P 有效、无泄漏、动作格式正确。
2. 冻结计分协议。 使用待训练的 student checkpoint、实际训练 tokenizer/chat template、完整历史 reasoning 和相同 loss mask。
3. 抽样 100–1,000 条候选轨迹计算 NLL。 同时报告 token-weighted mean、逐轨迹分位数和 target-token 数；跨 tokenizer 再报告 BPB。
4. 加入学生自己的 rollout 作为锚点。 如果 teacher NLL 接近 self-rollout NLL，新增信息可能有限；如果适度更高、rank 仍合理且轨迹经过验证，它更可能处于可学习的新区域。
5. 估计 student-relative issue difficulty。 用 pass@k 区分 always-pass、mixed 和 always-fail；优先检查 mixed issues 与可恢复失败，而不是默认所有 resolved teacher issues 等价。
6. 按行为拆分。 单独统计 reasoning、工具动作、第一次有效 edit、验证和 submit；全序列均值可能掩盖少数关键决策。
7. 先跑小规模闭环 pilot。 除 pass@1 外，跟踪 submit rate、首次 edit、empty patch、无进展 turns、turn/context cap，再决定是否扩到完整训练。

我们目前会联合使用四组廉价信号：benchmark pass@1/pass@k 衡量学生已有能力；teacher trace NLL 与 token rank 衡量候选监督的新颖度和可吸收性；student rollout 提供自身状态分布的锚点；小规模闭环行为指标检验 teacher forcing 的收益能否转化为真实 rollout。

#11. Next step — Coming soon

下一轮实验会直接检验 residual-learning 假说，而不是继续比较更多 teacher 名字。

实验一：NLL 是否足够，还是需要 informative alignment？ 在统一 Qwen chat template、完整历史 reasoning 和相同 loss mask 下，把 assistant targets 拆成 reasoning、tool name/arguments、edit、test/verification 与 submit/termination，逐类计算 NLL、token rank 和 RSR。

实验二：控制质量后的数据分桶。 对相同 issue pool 中通过执行验证的轨迹，按 <0.5、0.5–0.8、0.8–1.1、>1.1 分桶，再在每桶内匹配 assistant token 预算、repo、长度和 teacher。每桶进一步区分低 rank 与高 rank，直接检验 0.5–0.8 是稳定工作区间、柔性边界，还是当前少量实验形成的巧合。

实验三：引入近似 on-policy 的 issue/state selection。 用 student pass@k 将 issues 分为 always-pass、mixed 与 always-fail，并加入从 student failure prefix 出发的 teacher correction。比较静态 teacher-success SFT、student-difficulty filtering，以及 failure-state residual SFT。

实验四：看能力，而不只看 loss。 控制 issue 数、assistant target tokens、repo 分布、训练 steps 与 teacher，除 resolve rate 外，同时测 invalid tool calls、定位与首次有效 edit、reproduction/regression test、premature submit、turn/context cap，并做 checkpoint-level ID/OOD 与 cross-harness 评测。

一个可证伪的预测是：在质量门控之后，中高 NLL、低 token rank、来自 student mixed/failure states 的轨迹，会比单纯最低 NLL、最高 NLL 或随机数据带来更好的闭环收益；提升应首先出现在 student 原有失败模式，而不是只表现为输出格式或长度变化。

#结论

传统 SWE 数据筛选仍然重要，但它只保证轨迹“好”。当目标是拓展一个已经很强的 SWE Agentic SLM 时，我们还必须判断轨迹是否对这个学生有信息、是否可学，以及是否覆盖它实际会进入的状态。

v14.d 展示了一次更值得警惕的失败：16K 条严格筛选的成功轨迹、对齐的协议与 loss mask、稳定下降的训练和验证 loss，仍然没有产生更好的闭环策略。TMax 随后把它从孤例变成模式：同一份 SFT 数据增强 Qwen3-8B，却削弱 Qwen3.5-9B。NLL/BPB 提前暴露了两个学生对数据熟悉度的巨大差异；SWE-Lego、AgentForge 和 AxiaoDBL 的正向结果，则把“0.5–0.8 核心、软上缘约 0.85”变成一个值得直接检验的候选区间。

因此，训练数据的目标不应只是：

找到更多正确轨迹。

而应该变成：

在正确轨迹中，找到当前学生尚未掌握、但有能力学会，并且会在真实 rollout 中用到的那一部分。

这意味着数据工程的重心需要从 teacher-centric quality filtering 继续向 student-relative residual learning 移动。NLL 不是这个问题的最终答案，但它足够便宜、足够直接；与 token rank、student difficulty 和 student-generated states 联合后，它比只看 teacher benchmark、issue source 或训练 loss 更接近我们真正想知道的东西。

#方法说明

• v14.d 的新评测保留所有历史 assistant reasoning；assistant turns 包括格式错误的 action response。Teacher-forced NLL 统计 assistant reasoning、tool-call markup 与 assistant 结束符，system/user/tool response 只作为 context。
• v14.c → v14.d 的数据协议、MS-SWIFT template 与 loss-mask 排查口径见公开审计附录。26
• Claude Opus 4.7 SBV traces 的 assistant turns 与 assistant tokens 异常偏低，可能混入 harness 或采集差异，因此没有进入本文主论证。
• Kimi-K2.6 与 DeepSeek Preview 的 NLL 用于展示 Qwen3.5-4B 对候选 trace distribution 的熟悉度，不代表已经完成对应 SFT 的因果实验。12
• Qwen3-8B 三组 random/resolved-500 结果都使用官方 Qwen3 chat template；loss 只覆盖完整 assistant body、tool call 与结束符。SWE-Lego 与 Open-SWE 的 40,959-token 截断率较高，因此正文同时报告仅未截断 trajectory 的敏感性结果。25
• GRAPE 与 RSR 的公开结果来自通用 instruction tuning 与 reasoning trajectory selection；本文把它们作为 SWE agent 数据选择的动机与待检验假说，而不是现成的 SWE 因果证据。17
• 图表采用直接标注、低饱和配色、轻网格与留白设计，视觉语言参考 Anthropic Transformer Circuits 的研究文章。14

#参考文献

1. Tao et al. SWE-Lego: Pushing the Limits of Supervised Fine-tuning for Software Issue Resolving. arXiv:2601.01426, 2026.
2. Peng et al. Orchard: An Open-Source Agentic Modeling Framework. arXiv:2605.15040, 2026.
3. Song et al. SWE-Master: Unleashing the Potential of Software Engineering Agents via Post-Training. arXiv:2602.03411, 2026.
4. Ivison et al. TMax: A Simple Recipe for Terminal Agents. arXiv:2606.23321, 2026.
5. 本项目：SFT v14.d W&B run 与 API 核验记录。
6. 本项目：v14.d SWE-bench Verified 1–500 最终分布。
7. AxiaoDBL. qwen3.5-4b-swebench-sft model card.
8. AxiaoDBL. Teacher model and issue pool discussion.
9. PrimeIntellect. SWE-Lego-Real-Data-Verified dataset card.
10. DeepSeek. DeepSeek-V4-Flash-0731 model card.
11. DeepSeek API. Model updates and release history.
12. SWE-Router. swebench-verified-deepseek-v4-flash dataset.
13. MemoryAsModality. swebench-verified-kimi-k2p6-traces dataset.
14. Anthropic Transformer Circuits. Characterizing interference weights in a tiny language model.
15. 本项目：v14.d、TMax、Kimi 与 DeepSeek teacher-forced NLL 实验记录。
16. 本项目：v14.d × Prime SWE-Lego Verified exact issue overlap。
17. Zhang et al. The Best Instruction-Tuning Data are Those That Fit. arXiv:2502.04194, 2025/2026.
18. Yang et al. Which Reasoning Trajectories Teach Students to Reason Better? A Simple Metric of Informative Alignment. arXiv:2601.14249, 2026.
19. Agarwal et al. On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes. ICLR, 2024.
20. Ross et al. A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning. AISTATS, 2011.
21. Li et al. From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning. arXiv:2308.12032, 2023.
22. Xia et al. LESS: Selecting Influential Data for Targeted Instruction Tuning. arXiv:2402.04333, 2024.
23. Liu et al. What Makes Good Data for Alignment? A Comprehensive Study of Automatic Data Selection in Instruction Tuning. ICLR, 2024.
24. Klear Team. Klear-AgentForge: Forging Agentic Intelligence through Posttraining Scaling. arXiv:2511.05951, 2025.
25. 本项目：Qwen3-8B × SWE-Lego / AgentForge / Open-SWE random-500 teacher-forced NLL 记录。
26. 本项目：v14.d data-protocol 与 loss-mask audit。