arXiv 预印本 SWE-Critix 指出，通用推理模型直接作为编程 agent 的验收裁判并不合格。经监督微调与强化学习后训练，裁判的完成判定准确率从基座 57% 提升至 78%，并能用自然语言解释判断依据。该裁判可审计、可定位缺陷，模型、数据集与代码均开源。但论文未经同行评审，数据来自自产轨迹集，其他领域表现尚未验证。