behavior-self-reward

超越二元可验证奖励：SWE代理的行为自我奖励

传统的二元奖励在软件智能体训练中过于粗略，无法捕捉性能的细微差别。行为自我奖励（BSR）机制允许智能体评估自身行为轨迹，提供更细致的反馈，从而实现更稳健和高效的表现。