看到一篇很有意思的论文 WebCoder，来自清华大学 等机构。

研究团队基于 27B 模型，通过 Agent 强化学习，让它在前端开发任务中取得了相当亮眼的成绩。

在论文构建的 Webdev-Bench 上，WebCoder 得分达到 72.8，超过 Claude Opus 4.8 的 65.1 和 GPT-5.4 的 59.6。

当然，这是特定评测环境下的结果，不能代表综合编程能力全面超越。

值得关注的，是它背后的训练方法。
1、让模型真正对软件交付结果负责
论文提出了 Artifact-Grounded Agentic RL。
研究团队构建了 Webdev-World，让 Agent 可以像开发者一样，写代码、运行项目、打开浏览器检查页面，再根据结果不断修改。
训练时，模型生成多少代码并不重要，最终的软件产物才是评价依据。
如果项目无法构建、运行和渲染，就无法获得好的质量奖励。

2、让模型知道自己哪一步做对
假设 Agent 连续完成五个开发步骤，前三步都很好，第四步修改 CSS 导致布局错乱，第五步又修复了问题。
传统强化学习主要根据最终结果给予整条轨迹奖励，很难区分中哪些步骤真正有效。
WebCoder 引入了基于产物的 Credit Assignment，通过检查不同阶段的软件状态，识别哪些阶段推动了项目进展，哪些造成了回退。
消融实验显示，移除这项机制后，Vision2Web 得分从 62.4 降到了 52.6。

3、让模型从几十万 Token 的开发过程里学习
复杂 Agent 任务往往涉及大量工具调用，执行轨迹可能长达几十万 Token
WebCoder 结合上下文压缩、消息树采样和训练掩码，让模型能够利用长轨迹中的开发经验，同时避免重复计算训练损失。

再分享一点自己的思考：以前我们讨论 Harness，更多关注如何通过工具、Skill、Prompt 和执行流程提升 Agent 能力。

WebCoder 展示了另一个方向：将真实执行环境、产物验证和过程反馈引入强化学习，让模型本身也从中获得提升。

#AI #人工智能 #WebCoder #强化学习 #Agent #Harness #大模型 #AI编程 #智能体