Newest papers

Over-Defense in Coding Agents Begins at Silent Forks

Hanjun Luo, Xuecheng Liu, Xiucheng Zhang, Zhuoning Xu, Yingbin Jin, Yankai Chen, Xue Liu, Hanan Salam · 2026 · arXiv

DOI: 10.48550/arXiv.2610.24949 · open-access PDF

Hindi

कोडिंग एजेंटों के पीछे भाषा मॉडल परिणाम पुरस्कारों के साथ पोस्ट-ट्रेन किए जाते हैं, और हाल के तरीकों ने परिणाम निर्धारित करने वाले मोड़ों पर क्रेडिट केंद्रित किया है। हम पाते हैं कि एक कार्य की आवश्यकता से परे रक्षात्मक कार्रवाई दोनों से बच जाती है। वे चुपचाप फोर्क्स पर शुरू होते हैं, वे मोड़ जहां हर अगले कार्रवाई एक ही परिणाम तक पहुंचती है। ऐसी कार्रवाई सफलता दर को अपरिवर्तित छोड़ती है, और सीमा मॉडल अपरिवर्तित बजट के तहत निर्णायक कार्रवाई के 91% तक अपरिवर्तित शाखा लेते हैं। सबसे प्रत्यक्ष फिक्स, ट्रैक्चर पुरस्कार में एक चेकवर, केवल पूरी तरह से अनुकूलित मार्गों के माध्यम से इन फोर्क्स तक पहुंचता है,

Machine translation (Meta M2M100); the English original follows.

Abstract

Language models behind coding agents are post-trained with outcome rewards, and recent methods concentrate credit on the turns that decide the outcome. We find that defensive actions beyond what a task requires escape both. They begin at silent forks, the turns where every next action leads to the same outcome. Such actions leave the success rate unchanged, and frontier models take the disproportionate branch there in up to 91% of decisive actions under implicit budgets. The most direct fix, a checker in the trajectory reward, reaches these forks only through fully proportionate trajectories,

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange