你敢信吗？一个基座模型，初始在SWE-bench Verified上只考7.6分——连及格线都摸不到。两轮全自动迭代后，直接冲到64.4分。不是微调，不是换模型，更不是人工写提示词，而是让AI自己找题、自己答题、自己批卷、自己改错、再自己重训——整个过程，人只按了一次“开始”。
这背后就是LegoFlow干的事。它不造新模型，专治“数据荒”：从1200万个GitHub拉取请求里筛出5000个真·有解、有上下文、有真实修复逻辑的SWE任务，淘汰率99.95%。这5000个任务不是随便挑的，它们覆盖Python、Java、Rust等8种语言，标签细到“并发修复”“类型推导错误”“测试用例缺失”，连IDE报错截图、CI失败日志都打包进去了。
更狠的是，它把整条数据流水线切成五个“乐高块”：Curator（出题官）、Tracer（解题员）、Trainer（教练）、Evaluator（考官）、Root（调度员）。每个块都是可插拔的智能体技能，Claude Code或Qwen都能直接调用。训练时只喂1000条轨迹，Qwen3.5-35B-A3B-Base就在SWE-bench Verified上跑出70.2%，比很多花几万卡时精调的模型还稳。这不是堆数据，是让AI学会“怎么学写代码”——就像老程序员带新人，先看PR怎么改，再学为什么这么改，最后自己提PR。
有人问：那人工在哪？在第一轮设定目标、审核流程合理性、守住安全底线。剩下的，全交给递归反馈环：模型跑完评测→发现“处理异常链路总漏判”→自动回溯任务集→加权筛选含多层try-catch的PR→生成新轨迹→再训练。整个过程像升级打怪，每一轮都把“不会的题”变成“下一轮的教材”。开源地址、数据集、全部block代码全在GitHub和HuggingFace挂着，连环境配置脚本都写了注释。别再说大模型写不好代码了——它缺的从来不是算力，是一套能自己长大的“代码成长系统”。
这事儿其实早有苗头。2023年Google那篇《Self-Improving Code Generation》就发现，让模型反复重写自己的错误答案，比单纯增加训练数据提升更稳；去年Meta的Code Llama-70B在SWE-bench上卡在42分左右，不是因为不会写，而是“不知道自己哪里不会”——它能生成语法正确的代码，但面对CI报错里嵌套三层的Gradle依赖冲突，直接懵圈。LegoFlow恰恰补上了这个断层：它不追求一次答对，而专注建一个“错题本自动进化”的机制。
你翻开源仓库会看到，他们连“人工审核点”都标得明明白白：比如Tracer解题时若连续两次调用同一行调试日志，Root就会暂停流程，弹出提示让开发者确认是否陷入死循环；Evaluator打分低于阈值的任务，必须附带原始PR链接、失败测试截图和diff高亮，杜绝“黑箱淘汰”。这种设计不是防AI，是防人偷懒——毕竟真有人想跳过Curator筛选，直接塞进自己写的合成数据。
实测也挺接地气。北大信科团队拿LegoFlow复现时，发现Qwen3.5在处理Rust生命周期报错时，第二轮迭代后自动生成的修复方案，开始主动加注释说明“此处借用检查失败因所有权转移未完成”，而第一轮只改了代码没解释原因。这种“学会讲道理”的转变，在传统微调里得靠人工写思维链（Chain-of-Thought）样本，现在模型自己拆解、归因、再表达。
当然它也不是万能钥匙。目前对前端框架类问题（比如React状态更新时机）覆盖偏弱，团队在v0.3版路线图里明确写了要接入真实Web IDE操作日志。但有意思的是，他们没急着堆新功能，反而把首批5000个任务的标注逻辑全公开了：什么算“真实修复”？必须满足三条件——原PR被合并、CI从红变绿、至少两名维护者点赞。这种抠细节的较真劲儿，反而让开发者愿意信：原来AI学写代码，真可以像人类一样，从靠谱的实战案例里长本事。
说白了实盘配资网站排名，我们过去总把代码能力当“知识库”，拼命喂语法规则和Stack Overflow答案；LegoFlow把它还原成“活技能”——要试错、要复盘、要教别人为什么这么改。下次看到大模型又在修bug，别光盯着分数看，瞧瞧它的“错题本”更新了几条，那才是真成长。
瑞和网配资提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
