VeriLoop Coder-E1 的成績，較適合被理解為一套「程式碼模型＋受控修復工作流」的表現，而不是下載單一模型權重後自然就會得到的能力。

清華大學深圳國際研究生院團隊公布，VeriLoop Coder-E1 在 SWE-bench Verified 為 85.20、SWE-bench Pro 為 62.38、Terminal-Bench 2.0 為 76.40、DeepSWE 為 33.63。不過，這些數字對應的是由循證機制管理的 VeriLoop 整體設定；其生產環境的 Self-Harness 並未開源。121

先分清楚：公開的是模型，不是完整受測系統

公開模型以 Qwen3.6-27B 為基礎，規模為 270 億參數，定位是用於程式碼推理、程式碼庫理解與工程產物生成的軟體工程垂類模型；其 Hugging Face 頁面標示採 Apache-2.0 授權。521

但專案文件對 Self-Harness 的定位更關鍵：它是把模型輸出轉化為「有邊界、由證據驅動」工程循環的執行底座。公開的 Evidence Binding（證據綁定）adapter 也明確表示，它應在 VeriLoop Harness 之下運作，不能視為完整執行期、驗證器、證據系統、回滾、沙箱與可觀測性堆疊的獨立替代品。2123

換句話說，公開 checkpoint 本身不應被解讀為能直接重現論文式或排行榜式成績的完整產品。依目前資料，較嚴謹的結論是：已公布的效能來自模型與其受控工作流的組合；僅用公開權重獨立重現同等結果，尚未獲得證實。

窄域 PEFT 做了什麼？不是任務中持續改寫底模

VeriLoop 描述的做法不是在每次修復任務裡持續更新基礎模型，而是以固定的 Qwen 底模，搭配可拆卸、依能力劃分的 PEFT（參數高效微調）表面。公開資料列出四項能力：ToolSpec、Uncertainty、Rollback、Evidence Binding。52024

這些 adapter 的功能，可概括為讓模型更能處理軟體工程所需的產物與判斷：

• 工具契約（ToolSpec）：描述可執行工具動作、輸入、限制與驗收條件。
• 不確定性處理（Uncertainty）：把暫時性的診斷，和已由證據支持的結論區分開來。
• 證據綁定（Evidence Binding）：把主張連到執行回條與證據，輸出明確判定及受限的下一步行動。
• 回滾意識（Rollback）：不把尚未驗證的修補直接當成程式庫新的既定事實。2023

這是針對特定工程行為的專門化策略，不等於團隊已公開完整訓練資料、各階段訓練決策或 adapter 實作細節。現有材料可支持其宣稱的能力定位與用途，但不足以讓外界逐項稽核整個訓練流程。2024

「循證螺旋」如何運作？

VeriLoop 的核心主張，是把程式修復改造成一連串受限制、可測試的工作包，而非讓模型在同一提示詞下不停嘗試下一個 patch。依團隊與相關介紹，每一輪產生的修改都要接受測試；若失敗，系統會分析原因並導向下一輪修復。1321

可將這個流程理解為六個步驟：

1. 建立工作包：Harness 將 issue、程式庫脈絡、介面限制與驗收條件整理為結構化任務包。3
2. 提出並執行受限候選方案：模型生成修補或其他工程產物，再呼叫相關工具與測試。13
3. 把反證當成修正訊號：測試失敗、診斷訊息、工具回條與介面衝突，會挑戰當前診斷或修補，而非只觸發一次無結構的重試。1321
4. 重新編譯下一輪工作包：下一輪納入先前產物、失敗資訊、執行回條、反證結論與新增限制。3
5. 局部修復並驗證：針對被證據指向的問題範圍修正，再透過驗證與回歸條件接受或拒絕候選方案。13
6. 保留或回滾：未通過適用檢查的候選方案會被修訂或捨棄，而不會默默累積成「進展」。323

以 DeepSWE 為例，專案公布的評測紀錄顯示，113 個任務中有 38 個通過；未通過的結果均計為失敗，計算為 33.6283%，與公布的 33.63 分一致。不過，該紀錄也標示為自行發布。17

為何團隊稱它是「遞歸式自我改進」？

VeriLoop 所說的差異，不只是 Agent 能連續產生多個 patch。其論點是：證據的價值在於能改變系統之後如何探索、判斷與修正，而不是替一個既定結論補上佐證裝飾。1

因此可區分三種情況：

• 反覆試錯：patch A 失敗，於是再生成 patch B。
• 驗證成功：某一候選方案通過已選定的檢查。
• 循證式改進：反證會改變下一輪的方法，例如任務定義、診斷焦點、可採納證據、修復限制或驗證關卡；而這套更新後的方法仍可被後續證據挑戰。13

這與可否證性導向的工程觀點相容：測試應有能力推翻當前假設；一次通過，僅代表某候選方案在特定檢查下得到支持，而非獲得普遍性的證明。實務上的重點是嚴格管理狀態：區分觀察與結論、保留已驗證成果，並讓失敗假設約束下一次嘗試。12021

不過，更強的說法——例如這類方法更新能廣泛遷移到不同程式庫，或已構成一般意義下自主遞歸式自我改進——仍無法從目前公開資訊中得到證實。

為何模型開源，Harness 卻未公開？

專案將可重用的模型後端與協調其運作的控制層分開。模型與公開 PEFT 產物可用於探索程式庫推理及工程產物生成；但未公開的生產版 Harness，涵蓋任務包編譯、任務與版本化狀態維護、證據路由、階段排程、驗證執行與回滾管理等編排機制。32123

這條界線直接影響可重現性：公開模型，不等於公開完整受測 Agent。 因而較精確的說法是：Coder-E1 是專用程式碼模型；Self-Harness 則是規範其使用方式的執行系統。 在控制堆疊公開或由第三方成功獨立複製前，這些基準分數應被視為系統級成果，而不是開源 checkpoint 與生俱來、可單獨歸因的能力。12123

VeriLoop Coder-E1 的成績，較適合被理解為一套「程式碼模型＋受控修復工作流」的表現，而不是下載單一模型權重後自然就會得到的能力。

清華大學深圳國際研究生院團隊公布，VeriLoop Coder-E1 在 SWE-bench Verified 為 85.20、SWE-bench Pro 為 62.38、Terminal-Bench 2.0 為 76.40、DeepSWE 為 33.63。不過，這些數字對應的是由循證機制管理的 VeriLoop 整體設定；其生產環境的 Self-Harness 並未開源。121

先分清楚：公開的是模型，不是完整受測系統

公開模型以 Qwen3.6-27B 為基礎，規模為 270 億參數，定位是用於程式碼推理、程式碼庫理解與工程產物生成的軟體工程垂類模型；其 Hugging Face 頁面標示採 Apache-2.0 授權。521

但專案文件對 Self-Harness 的定位更關鍵：它是把模型輸出轉化為「有邊界、由證據驅動」工程循環的執行底座。公開的 Evidence Binding（證據綁定）adapter 也明確表示，它應在 VeriLoop Harness 之下運作，不能視為完整執行期、驗證器、證據系統、回滾、沙箱與可觀測性堆疊的獨立替代品。2123

換句話說，公開 checkpoint 本身不應被解讀為能直接重現論文式或排行榜式成績的完整產品。依目前資料，較嚴謹的結論是：已公布的效能來自模型與其受控工作流的組合；僅用公開權重獨立重現同等結果，尚未獲得證實。

窄域 PEFT 做了什麼？不是任務中持續改寫底模

VeriLoop 描述的做法不是在每次修復任務裡持續更新基礎模型，而是以固定的 Qwen 底模，搭配可拆卸、依能力劃分的 PEFT（參數高效微調）表面。公開資料列出四項能力：ToolSpec、Uncertainty、Rollback、Evidence Binding。52024

這些 adapter 的功能，可概括為讓模型更能處理軟體工程所需的產物與判斷：

• 工具契約（ToolSpec）：描述可執行工具動作、輸入、限制與驗收條件。
• 不確定性處理（Uncertainty）：把暫時性的診斷，和已由證據支持的結論區分開來。
• 證據綁定（Evidence Binding）：把主張連到執行回條與證據，輸出明確判定及受限的下一步行動。
• 回滾意識（Rollback）：不把尚未驗證的修補直接當成程式庫新的既定事實。2023

這是針對特定工程行為的專門化策略，不等於團隊已公開完整訓練資料、各階段訓練決策或 adapter 實作細節。現有材料可支持其宣稱的能力定位與用途，但不足以讓外界逐項稽核整個訓練流程。2024

「循證螺旋」如何運作？

VeriLoop 的核心主張，是把程式修復改造成一連串受限制、可測試的工作包，而非讓模型在同一提示詞下不停嘗試下一個 patch。依團隊與相關介紹，每一輪產生的修改都要接受測試；若失敗，系統會分析原因並導向下一輪修復。1321

可將這個流程理解為六個步驟：

1. 建立工作包：Harness 將 issue、程式庫脈絡、介面限制與驗收條件整理為結構化任務包。3
2. 提出並執行受限候選方案：模型生成修補或其他工程產物，再呼叫相關工具與測試。13
3. 把反證當成修正訊號：測試失敗、診斷訊息、工具回條與介面衝突，會挑戰當前診斷或修補，而非只觸發一次無結構的重試。1321
4. 重新編譯下一輪工作包：下一輪納入先前產物、失敗資訊、執行回條、反證結論與新增限制。3
5. 局部修復並驗證：針對被證據指向的問題範圍修正，再透過驗證與回歸條件接受或拒絕候選方案。13
6. 保留或回滾：未通過適用檢查的候選方案會被修訂或捨棄，而不會默默累積成「進展」。323

以 DeepSWE 為例，專案公布的評測紀錄顯示，113 個任務中有 38 個通過；未通過的結果均計為失敗，計算為 33.6283%，與公布的 33.63 分一致。不過，該紀錄也標示為自行發布。17

為何團隊稱它是「遞歸式自我改進」？

VeriLoop 所說的差異，不只是 Agent 能連續產生多個 patch。其論點是：證據的價值在於能改變系統之後如何探索、判斷與修正，而不是替一個既定結論補上佐證裝飾。1

因此可區分三種情況：

• 反覆試錯：patch A 失敗，於是再生成 patch B。
• 驗證成功：某一候選方案通過已選定的檢查。
• 循證式改進：反證會改變下一輪的方法，例如任務定義、診斷焦點、可採納證據、修復限制或驗證關卡；而這套更新後的方法仍可被後續證據挑戰。13

這與可否證性導向的工程觀點相容：測試應有能力推翻當前假設；一次通過，僅代表某候選方案在特定檢查下得到支持，而非獲得普遍性的證明。實務上的重點是嚴格管理狀態：區分觀察與結論、保留已驗證成果，並讓失敗假設約束下一次嘗試。12021

不過，更強的說法——例如這類方法更新能廣泛遷移到不同程式庫，或已構成一般意義下自主遞歸式自我改進——仍無法從目前公開資訊中得到證實。

為何模型開源，Harness 卻未公開？

專案將可重用的模型後端與協調其運作的控制層分開。模型與公開 PEFT 產物可用於探索程式庫推理及工程產物生成；但未公開的生產版 Harness，涵蓋任務包編譯、任務與版本化狀態維護、證據路由、階段排程、驗證執行與回滾管理等編排機制。32123

這條界線直接影響可重現性：公開模型，不等於公開完整受測 Agent。 因而較精確的說法是：Coder-E1 是專用程式碼模型；Self-Harness 則是規範其使用方式的執行系統。 在控制堆疊公開或由第三方成功獨立複製前，這些基準分數應被視為系統級成果，而不是開源 checkpoint 與生俱來、可單獨歸因的能力。12123