Risa: Routing-Guided Test-Time Scaling for Software Agents 精读
论文链接：arXiv:2608.22191 项目主页：CckFdu.com/RISA（代码发表后以研究友好许可发布） 发表时间：2026年8月 机构：复旦大学（Kang Chen、Junjie Nian 共同一作，Yixin Cao 通讯）+ 上海创新研究院——纯高校/科研院所 领域标签：cs.SE / cs.AI（LLM Agent 推理时扩展/可解释性）
一、论文背景
测试时扩展（Test-Time Scaling）是什么？ 推理时多花算力换准确率：采样多个候选答案、并行跑多条轨迹、最后挑最好的。核心难题是仲裁——怎么知道哪个最好？现有方案：外部 judge 模型（贵、且与被评模型不同源）、执行测试（SWE 场景要跑完整测试套件，慢且常不可用）、文本共识（比较表面措辞相似度，被"套话"欺骗）。
被忽视的免费信号：MoE（混合专家）模型每次前向传播时，router 会为每个 token 选择专家——这个路由轨迹是模型内部计算分配的完整记录，推理时天然产生、零额外成本。它编码了"这个 token 的计算被分配到了哪类处理单元"——相当于模型的"脑电图"。此前 MoE 路由研究集中在训练效率与可解释性，从未被用作 Agent 决策信号。
本文的问题：路由轨迹能否充当 Agent 行为的"坐标系"，让测试时扩展的探索与仲裁都基于内部信号而非外部 judge？
二、论文定位和关联工作
- 测试时扩展线（self-consistency/best-of-N）：文本级共识是主流——Risa 证明路由级共识信息量更大（决策 token 定位解决稀释问题）。
- MoE 可解释性线：专家分工分析（哪些专家负责哪些知识）——本文把静态分析转为动态行为信号。
- SWE Agent 线（SWE-agent/OpenHands）：多尝试+最终选择普遍依赖外部信号——Risa 提供"零外部依赖"替代。
三、问题定义
抽象问题：给定同一 MoE 模型产生的多个候选动作/补丁，构造一个只依赖模型内部路由遥测的相似度空间，使得"计算上相似"（而非"文本上相似"）的候选落入同一区域，从而用路由距离实现探索（选远离历史的）与承诺（选同伴收敛的）。 难点：长补丁的路由指纹会被 diff 语法等高频 token 稀释——需要定位"承载决策"的 token 子集。
四、问题解法
4.1 路由指纹
每层每 token 的专家路由权重积分成 layer×expert 直方图，加权 Jaccard 距离比较。类比：把一次前向传播的"计算资源分配"拍成一张 CT 片。
4.2 角色门控
3 个角色质心（inspect/test/write）对动作分类——78,535 动作三分类留出准确率 0.940（多数类 0.746），write 类召回 0.93/精度 1.00。作用：不同角色不可比（探索一个测试方案与写一个补丁的路由没有可比性）。
4.3 三级决策
- 探索阶段"离异"：候选与最近 64 步执行历史的路由最不相似者优先——新异性最大化（避免原地打转）；
- 写补丁阶段"承诺"：角色匹配的 write 候选组内，用带护栏的同伴收敛打分 z(H)+1.5z(M)+z(S̄)−z(P)（收敛加分、过度相似惩罚）；
- 跨尝试终局仲裁：K=4 个独立尝试的最终 diff 各经一次 teacher-forced 重编码，取**概率最低 25% 的 token（“决策 token”，承载中位 72% 的 surprisal）**处的路由指纹与其他尝试的平均一致性最高者提交。
决策 token 的直觉：补丁里大量 token 是语法性的（括号、缩进、高频关键字），它们的路由毫无区分度；真正承载"这里为什么这样改"的是模型拿不准的那 25%——就像看一个人的决策要看他犹豫的地方。
五、评估指标与实验证据
主实验（SWE-bench Verified，gpt-oss-20b/120b × low/medium/high 六条件宏平均）：
| 控制器 | resolved rate |
|---|---|
| Uniform（均匀采样） | 44.9% |
| Text（文本共识） | 48.0% |
| Risa | 48.2%（各条件 +2.3~+5.7） |
| Risa-H（高努力变体） | 48.3% |
| Oracle（事后最优） | 60.9% |
跨家族迁移（决定性证据）：Qwen3.6-35B-A3B 全 500 题，Uniform 41.7%→Risa 45.2%（+3.5，p<0.001）——指纹方法不绑定 gpt-oss 家族，任何暴露路由权重的 MoE 都适用。
端到端：200 题完整流水线 50.5% vs 无控制器 45.4%（+5.1）；困难 80 题集上可提交补丁产率 79%→94%。
消融：跨尝试一致性比"单候选路由集中度"高 2.64 点——信号来自跨尝试收敛而非指纹本身；决策 token 排序 AUC 0.657（全 span 0.639）。
六、效果优势的根源解释
为什么路由信号优于文本共识：文本相似度被"套话"污染——两个措辞雷同但逻辑不同的方案文本相似度高，反之亦然。路由指纹度量计算分配：两个方案若激活相似的专家组合，说明模型在用同类的知识/技能处理它们——这个同构性比表面文字更接近"思路相同"。
决策 token 定位为何关键：不做定位的长 diff 指纹被语法 token 主导（信息稀释），AUC 0.639→0.657 的提升虽小，但概念上解决了"补丁越长信号越稀"的结构问题。
比较集匹配为何必要：同前缀的兄弟候选共享全部证据，比较"新异性"只能对历史；独立尝试经不同代码路径到达答案，比较"收敛"才有正确性含义——同一把尺子在不同比较集上量的是不同的东西，这是全文最精妙的方法论自觉。
因果链：路由遥测 → 计算同构空间 → 探索避开已探索区域（disagree）+ 承诺选择同伴收敛点（agree）→ 无外部 judge/测试的 +3~5.7 点提升，且机制可跨 MoE 家族迁移。
七、必要知识反推
- 领域知识层：SWE-bench 的 agent 执行协议与步级动作结构；MoE 路由机制（router logits→top-k 专家）。
- 方法论知识层：直方图核与 Jaccard 相似度；surprisal/信息量分析（决策 token 的定位标准）；对照设计的比较集意识。
- 工程知识层：路由权重的低成本提取（hook 掉 router 输出）；teacher-forced 重编码（给 diff 重新打分不需重新生成）。
知识融合的关键节点：把可解释性研究的"内部信号"（通常只用于事后分析）前移到在线决策——内部遥测从"显微镜"变成"仪表盘"。这个视角转换是全文的原创性核心。
八、论文中可以提取的通用性灵感
系统已有的内部遥测往往优于外挂评测器（机制类）
- 证据：路由指纹（免费副产物）胜过文本共识，逼近 Oracle 的近半差距。
- 推广：任何复杂系统（微服务的调用链数据 vs 外部拨测、员工的行为数据 vs 年度述职、学生的作答过程 vs 模拟考）——决策前先盘点"系统已经在记录什么"，外部评测是最后手段。
在"犹豫点"上比较，不在"熟练点"上比较（机制类）
- 证据：决策 token（最低概率 25%，72% surprisal）处的指纹一致性才是正确性信号。
- 推广：面试评估（候选人的犹豫与追问比背熟的自我介绍更有区分度）、代码评审（关注作者写注释解释"为什么"的地方）、市场调研（消费者犹豫的选项比首选更能预测真实偏好）。
相似度度量必须与比较集匹配（方法论类）
- 证据：兄弟候选比历史（新异性）、独立尝试互比（收敛）——同一指纹两种用法。
- 推广：推荐系统（同好比较 vs 同期比较语义不同）、组织对标（同部门历史 vs 跨部门现状不可混用）——先问"这两个对象凭什么可比"再算相似度。
零成本信号 + 精心设计 = 可迁移的通用机制（范式类）
- 证据：跨家族（gpt-oss→Qwen）+3.5pp，无需任何外部依赖。
- 推广：好的机制设计应尽量建立在"平台必然提供的免费信号"上（而非私有 API/昂贵评测），这类方案的落地阻力与迁移性都最优。