发现渠道：Hugging Face Daily Papers
仅用单元测试奖励训练调试模型，可能提高通过率，也鼓励多改代码。PreciseCoder 将单元测试与经执行核验的修改精确率、召回率组合：把候选修改块放入参考修复中，检查它是否真正修复对应故障。实验使用Python任务；4B模型的平均修改从GRPO的13.8行降至3.0行，通过率为55.3%对55.1%。作者另测1512份原本正确的程序，避免只看到修复旧故障、遗漏新引入的错误。
可信度 65 · 重要性 78 · 新颖度 76
技术与主题
AI 编程 · 评测与基准 · 训练与对齐 · RLVR · Program Repair · Counterfactual Verification
Yunkai Zhan 等
作者对单位测试奖励、局部修改及局限的说明。
忠实转述（非原句）：作者认为只给最终程序打分，会漏掉不必要修改；同时承认评分需要参考修复，执行检查增加训练耗时，其他语言尚未实验。
编辑评读
这里的精确并不等于字符数少。最小补丁可以漏修问题，大补丁也可能包含必要的重构。方法使用参考修复与反事实执行，试图把必要工作从无用编辑中分出来。论文消融确实显示，直接优化小改动会损失通过率；因此亮点是给修改的作用加反馈，而非宣布三行补丁优于十行。
原本正确的程序是有价值的另一半测试。只向模型展示有缺陷输入，它容易学成“收到代码就必须改”。作者的结果提示，修复精确性可能与正确时保持不动有关；但两者相关还没有解释全部因果机制。模型仍会损伤一部分正确输入，不能因平均进步就省去审阅。
参考修复也带来成本和偏向。它需要可靠修复与足够测试，替代的有效实现可能难以对齐到原参考块；目前实验又限于Python。把奖励搬到开放的长任务，首先要解决怎样定义必要动作，而不是直接套用行数惩罚。作者报告语义评分增加约5至7%的训练耗时，这笔费用也应纳入同预算比较。
需要留意
- 作者自报；训练与评测限于Python，并依赖参考修复和测试。
- 代码、切分与权重在论文中仍表述为将发布，未把计划写成可下载。
核查依据
- PreciseCoder在Python参考修复任务上以执行核验修改作用；4B表2报告55.3%通过和3.0行修改，未视作独立复现。
- PreciseCoder在Python参考修复任务上以执行核验修改作用；4B表2报告55.3%通过和3.0行修改，未视作独立复现。