日报：ICIC 论文定稿 · 实验结果可视化完成 — 2026年3月13日
论文定稿
今天终于把论文写完了。用于投稿 ICIC 的论文版本已经生成，经过了几天的修改和格式排版，我准备在这两天就正式投稿了，希望一切能够顺利吧。
整篇论文围绕 数据筛选策略对 SWE-agent LoRA 微调效果的影响 展开，核心实验结果已全部跑完并写入正文。下面是论文中几个关键结果的截图：
核心实验发现
论文中最重要的几个结论：
H1: Gate Effect（质量门控）
ResolvedOnly 筛选（仅保留 resolved 的轨迹）相比全量随机采样，在 500 条规模下差异不显著。说明单纯的”是否解决”二元筛选并不足以显著提升微调质量。
H2: Score Effect（评分排序）
TopQ-500 vs BottomQ-500 的 sanity check 显示出统计显著的质量差异，验证了 composite score 评分体系的有效性。评分排序确实能区分出”好数据”和”坏数据”。
H3: Scaling Effect（数据量扩展）
这是本研究中最稳健的发现。将训练集规模从 500 翻倍到 1000 后，三种策略均呈现出高度一致的 ~12.7% 相对 loss 下降，绝对 loss 降幅约 Δ ≈ −0.060，是 500 条规模下质量筛选效果（Δ ≈ −0.003）的约 26 倍。
| 策略 | Loss @500 | Loss @1000 | Δ Loss | 相对降幅 |
|---|---|---|---|---|
| Random | 0.4737 | 0.4140 | −0.0597 | 12.6% |
| TopQ | 0.4704 | 0.4106 | −0.0598 | 12.7% |
| ResolvedOnly | 0.4786 | 0.4175 | −0.0611 | 12.8% |
投稿准备
- ✅ 论文正文与所有图表已定稿
- ✅ 格式符合 ICIC 2026 投稿要求
- ⬜ 最终通读检查
- ⬜ 提交至投稿系统
近日计划
- 完成论文最终通读和细节校对
- 正式提交 ICIC 2026 投稿
- 整理实验代码和数据，为后续可能的 revision 做准备