When Requirements Interact: Scaling Long-Horizon Coding via Interdependent Specifications

CodeSpecWeave 合成具有相互依赖规范和可靠可执行测试的编码任务，产出 4,670 个训练任务和一个 100 任务基准。

编码智能体必须满足多维规范，例如接口兼容性、状态一致性和错误处理，同时不破坏现有依赖。现有任务数据缺乏规范密度和结构多样性，往往强调主要目标而忽略其他约束。朴素地添加规范可能使任务退化为独立编辑的检查清单，而验证细微交互可能漏掉隐藏缺陷或拒绝有效解。

CodeSpecWeave 从开源提交历史、议题讨论和拉取请求中挖掘规范种子；经规范化去重后，在六种自然语言中得到 104,182 个候选规范单元。合成智能体探索仓库，并联合起草任务请求、细粒度规范和可执行测试，将需求锚定到共享状态转移或核心组件以形成相互依赖。该智能体在仓库中执行生成的测试，并基于运行时反馈改进它们，测试与规范灵活映射。审查智能体检查来自多个编码模型的补丁和执行轨迹，以识别接受不完整实现或拒绝有效替代方案的测试。随后修复智能体修订任务请求或验证器，修复后的任务-验证器对在接受前需经过执行检查、新的求解器试验和对齐审查。

• 完整流水线产出一个训练集和一个经人工审查的基准，每个任务包含大量规范。 §2.4
• 自动审查在绝大多数候选任务中发现对齐缺陷，其中假阳性比假阴性更常见。 §2.4
• 在一个生成批次中，难度过滤和审查仅保留初始任务的一小部分。 §2.4
• CodeSpecWeave 在两个骨干模型上取得最高平均分，并在 CodeSpecWeave-Bench 和 DeepSWE 上尤其强。 §3.2.2
• CodeSpecWeave 在规范数量分组和七类规范上均提升 Flash-SFT。 §3.2.3
• 训练增加了 CodeSpecWeave-Bench 上的推理输出、代码修改和编辑-测试循环。 §3.2.2

• 通过 RL 使用合成任务提升模型性能需要大量计算资源进行训练实验。
• 每个任务都有相关联的容器镜像，并在 Kubernetes pod 中运行，因此训练和评估需要基础设施来并发管理大量容器。
• 生成高质量任务依赖强模型和多轮过滤，这会丢弃大部分生成的候选。

• 相互依赖的规范打破加性分解，因此为满足一个需求所做的选择会约束另一个需求的可行选项，并迫使进行联合推理。 §2.2
• 任务被表述为仓库、自然语言请求、规范集合以及带验证器的执行环境；有效补丁必须满足所有规范。 §2.1
• 规范种子从提交历史、议题讨论和拉取请求中提取，然后经过滤和去重，在六种自然语言中得到 104,182 个候选单元。 §2.3
• 合成智能体组合与同一状态转移或核心组件相关的互补需求，使得孤立地满足一个需求仍会违反更广泛的契约。 §2.3
• 审查智能体将执行轨迹与测试结果比较，以揭示缺失检查和强制执行非预期限制的测试，并利用混合的求解器成功情况来保留有挑战但仍可解的任务。 §2.4
• 失败分析识别出针对某一规范但仍违反该规范的补丁，以及满足一个需求却违反另一个约束同一状态的需求的补丁。 §3.1.1
• CodeSpecWeave-Bench 包含 1,044 条规范，组织为五个主要类别和总共七个类别，其中功能语义分为三个子类别。 §C.1
• 人工审查检查了任务真实性、需求清晰性与一致性、测试对所述需求的覆盖、验证器限制、实现缺陷、环境问题和不稳定测试。 §A.2