論文「Let the Fixer Decide: Training a Code Localizer from the Fixer's Likelihood」はarXivに2026年11月9日付で登録された(cs.AI、v1)。著者はKhalil Hennara、Muhammad Hreden、Zeina Aldallal、Sara Chrouf、Safwan AlModhayanの5名で、論文の所属表記はサウジアラビア・アルコバルのMisraj AI(メールドメインmisraj.ai)だ。実装はGitHubのmisraj-ai/locfix(GPL-3.0、リポジトリ作成は2026年10月25日、GitHub API実測)、軌跡の検証コードはkhalil-Hennara/codeagent-validate、学習済みアダプターはHugging FaceのHennara/locfix-e4b-runs_pに置かれている。
「FGLの目標は、教師の局所化と同じ頻度で修正役にバグを見つけさせながら、コード量を27.5%減らすことだ。」
The FGL target helps the fixer find the bug as often as the teacher's localization while using 27.5% less code.
探索役を「修正役が読みたいコード」で教える
従来のコード位置特定(localization)の学習は、正解パッチが変更したファイルや関数を教師ラベルにする。論文はここにずれを指摘する。修正役が読むべきなのは呼び出し元、基底クラス、テストなど、パッチでは変更されない周辺コードでもある。FGLでは探索役が複数の参照候補を提案し、更新しない固定の修正役が、検証済み正解パッチの新規追加行に対する対数尤度で各候補を採点する。コード量と追加読込のコストを減点に加えた重みでweighted SFTを回す方式で、候補の採点時にテストを実行しないし、オンラインの強化学習も使わない。論文はこの繰り返しを潜在変数のEMアルゴリズムに近い手続きとして説明する。
- 01 教師実行
Kimi K3の軌跡
競技のエージェントループで1試行8分・ネットワークなし。2,959タスクに3,068試行。
- 02 検証
1,629件
教師のパッチがコンテナでテストを通した軌跡だけを採用(55%)。ソース別・リポジトリ別の上限で1,577件に。
- 03 提案
複数候補
探索役が参照箇所の候補を複数提案する。
- 04 採点
fixerの尤度
凍結した修正役が、検証済みパッチの追加行に対する対数尤度で各候補を採点。コード量を減点する。
- 05 学習
weighted SFT
採点の重みで探索役を更新する。テスト実行も強化学習も使わない。
- 06 繰り返し
EMラウンド
更新した探索役で候補と採点を作り直し、次のラウンドへ。
論文Sec.2〜4の説明に基づく。図は手順の構成のみを載せ、論文の数値は本文と別の図で示す。
教師データは検証済み1,629件、記憶依存の推論は除去
教師にはKimi K3を使い、各タスクのコンテナ内で実行した。Git履歴は事前に除去し、教師のパッチを別コンテナでテストして通った軌跡だけを解決扱いにする。3,068試行のうち1,629タスクが解決し(55%)、内訳はSWE-Gym 564、SWE-bench 492、SWE-smith 307、R2E-Gym 266。ソース別とリポジトリ別の上限を適用して1,577件を訓練に使った。解決軌跡の中央値は15回のツール呼び出し、13.8Kトークンだ。教師が実際の上流修正を「思い出して」参照コミットやプルリクエストを書く問題には、1,116軌跡中3,233件の該当推論だけを書き換える清掃パスで対処し、ツール呼び出し・出力・パッチ自体は変更していない。
オフラインでは参照コード27.5%減、正確性は同等
1,016の訓練タスクで、探索役の入力を教師の局所化(T)とFGL目標(S)に切り替えて修正役を実行し、編集位置を検証済みパッチと照合した。初回編集がパッチ位置に当たる割合はS 43.1%対T 42.4%で差は有意ではない(正確McNemar検験、p=0.74)。一方でSの参照コードは2,731トークンから1,980トークンへ27.5%減り、コンテキスト超過は146件から82件へ44%減った。修正役は83%のタスクで教師の局所化より別の候補を好み、サイズの減点を外しても86%だった。好まれる先は探索役自身の提案(43%)と、パッチが編集する関数そのもの(26%)が多い。論文が Figure 4 の概算で示す費用は、学習・候補生成・採点・信号試験を合わせ約130 A100時間、約875ドルだ。
初回編集がパッチ位置
- T(教師)
- 42.4%
- S(FGL)
- 43.1%
- 差
- p=0.74で有意差なし
局所化サイズ
- T(教師)
- 2,731トークン
- S(FGL)
- 1,980トークン
- 差
- −27.5%
コンテキスト超過
- T(教師)
- 146件
- S(FGL)
- 82件
- 差
- −44%
論文Table 3の1,016訓練タスクの結果。TとSは同一の修正役で比較し、p値は正確McNemar検験。数値は著者の実験結果で、第三者による再現はまだない。
エンドツーエンドでは有意な改善はまだ
78の開発タスクでのエンドツーエンド評価では、13のランをTable 4に並べ、いずれの学習済みシステムもベースラインを統計的に有意には上回らなかった。ベースラインの解決は8タスク、最良の設定(S1、出力上限6,656トークン)が11タスク、同一条件の比較ではFGLのsoft版8タスク対対照の6タスク(p=0.69)だ。プロセスの指標は動いている方向を示す。パッチに到達したのは53タスク対46タスク、パッチなしで終わったのは9タスク対16タスク、「No such file」エラーを5回以上出したのは43タスク対54タスクと、FGL側がいずれも少ない。論文は結論で、4B規模のモデルを8分の予算と4×L4で動かすこの設定では、時間、繰り返しループ、編集の質が局所化より強く性能を制限すると分析している。
「エンドツーエンドではエージェントを正しい方向に動かすが、解決タスク数の利得は有意ではない。」
end to end on Gemma 4 E4B it moves the agent the right way (more patches, fewer wasted reads) but the gain in solved tasks is not significant.
論文は1,629件の検証済み軌跡、データと訓練コード、学習済みアダプター全部の公開を明記し、実装のlocfixはGPL-3.0で公開されている。検証コードのcodeagent-validateにはライセンス表記が見つからない。この分野の性能数値は著者の実験結果で、独立した第三者再現は今回の確認時点で見つかっていない。検索と生成の整合を取るというRAG的な発想をコード修正エージェントの探索に移した点が新しさだが、修正成功率そのものを上げた結果はまだ出ておらず、大きな修正役、追加のEMラウンド、タスク時間の延長での効果は今後の検証課題として論文も先送りしている。
出典
- Let the Fixer Decide: Training a Code Localizer from the Fixer's Likelihood(arXiv:2611.12164、PDF全文)提出 2026-11-09(v1 10:18:59 UTC)。著者と所属、要旨、Sec.3の教師データ構築とリコール清掃、Sec.5.1のTable 3、Sec.5.2のTable 4、結論の限界分析。確認日 2026-11-11
- misraj-ai/locfix(GitHubリポジトリ)GPL-3.0。リポジトリ作成 2026-10-25(GitHub API実測)。論文Sec.4脚注の実装URLと一致。確認日 2026-11-11
- khalil-Hennara/codeagent-validate(GitHubリポジトリ)教師軌跡の生成・検証コード。リポジトリ作成 2026-10-20、ライセンス表記なし(GitHub API実測)。確認日 2026-11-11
- Hennara/locfix-e4b-runs_p(Hugging Face)学習済みアダプター。作成 2026-11-04(Hugging Face API実測)。確認日 2026-11-11
出典の確認日 2026.11.11