Research
SWE-Prime：更少轨迹，更好性能
SWE-Prime是一种多粒度、两阶段的SFT数据选择方法，通过轨迹级筛选和基于过程质量、结果质量及数据代表性的选择，使用10%的轨迹子集训练即可超越完整数据集，在SWE-Bench Pro和Verified上分别带来最高12.2%和24.2%的相对性能提升。
阅读 arXiv 原文为什么重要
该方法显著提高了数据效率，减少训练成本的同时提升模型性能，对软件工程领域的模型训练具有重要价值。
关键事实
事实 1
SWE-Prime 是一个多粒度、两阶段的 SFT 数据选择方法。
来源与依据
we propose SWE-Prime, a multi-granularity, two-stage SFT data selection method
事实 2
第一阶段进行轨迹级筛选，基于过程质量、结果质量和数据代表性选择高质量且具代表性的成功轨迹子集。
来源与依据
the first stage performs trajectory-level screening based on process quality, result quality, and data representativeness
事实 3
在 SWE-Bench Pro 和 SWE-Bench Verified 上，使用 SWE-Prime 选出的 10% 轨迹子集训练，比使用完整已解决数据集训练带来最高分别 12.2% 和 24.2% 的相对性能提升。
来源与依据
training on the 10% trajectory subset selected by SWE-Prime outperforms training on the full resolved dataset, yielding relative performance gains of up to 12.2% and 24.2%