// Coding 16.10.2026 · 05:14 Uhr 7 Min. Lesezeit

ANTE trainiert Coding-Agenten, Änderungen vor der Ausführung zu bewerten

Mindverse News

KI-gestützt erstellt 2 Quellen Originalmeldung: huggingface.co Arbeitsweise

KI-generierte Illustration: ANTE trainiert Coding-Agenten, Änderungen vor der Ausführung zu bewerten — KI-generierte Illustration

Das Wichtigste in Kürze

ANTE lässt einen Coding-Agenten vor jedem Werkzeugaufruf vorhersagen, welches Ergebnis die Aktion haben wird, und gleicht diese Prognose mit der tatsächlichen Ausführung ab. [1][2]
Das Verfahren BAPO nutzt verifizierte Prognosen, um innerhalb von Reinforcement Learning zusätzliche Rückmeldungen zu einzelnen Schritten zu erzeugen. [2]
Für Qwen3-32B berichten die Autoren 57,2 Prozent pass@1 auf SWE-bench Verified; das liege 6,2 Prozentpunkte über einer GRPO-Baseline ohne Belief-State. [1][2]
ANTE-TTO kann bei einer unsicheren oder voraussichtlich scheiternden Aktion Alternativen erzeugen und anhand ihrer prognostizierten Ergebnisse auswählen. [2]
Die berichteten Ergebnisse stammen aus einem Preprint und sind kein Nachweis für einen Produktivitätsgewinn in realen Unternehmensentwicklungsprozessen. [2]

// Inhalt · 8 Abschnitte

Vom reaktiven Werkzeuggebrauch zur Vorschau auf die Folgen
Was der Agent vor einer Aktion festhält
Zwei Trainingsphasen: erst Format lernen, dann Prognosen überprüfen
BAPO soll Rückmeldung einzelnen Schritten zuordnen
ANTE-TTO wählt bei Unsicherheit aus Alternativen
Benchmarkwerte: deutlicher Zuwachs laut Autoren
Was Unternehmen aus dem Ansatz ableiten können
Preprint-Status und offene Fragen
Quellen

Vom reaktiven Werkzeuggebrauch zur Vorschau auf die Folgen

Coding-Agenten arbeiten häufig in einer Schleife: Sie untersuchen ein Repository, ändern Code, führen Tests oder andere Werkzeuge aus und wählen anhand der Rückmeldungen den nächsten Schritt. Das in ANTE beschriebene Problem ist, dass ein Agent die Folgen eines Eingriffs oft erst nach dessen Ausführung erfährt. Eine Änderung kann den unmittelbar adressierten Test bestehen und zugleich andere Funktionen beeinträchtigen; eine erst am Ende vergebene Erfolgs- oder Fehlerrückmeldung macht dann nur schwer sichtbar, welcher frühere Schritt die Ursache war. [2]

ANTE steht für Anticipate, Then Execute. Das von neun Autoren vorgelegte Verfahren soll den Agenten vor einer Aktion zu einer ausdrücklichen Prognose verpflichten. Anschließend prüft eine reale Ausführung, ob die Vorhersage zutraf. Die Rückmeldung fließt sowohl in das Lernen der Prognosefähigkeit als auch in die Bewertung einzelner Handlungsschritte ein. [1][2]

Der Ansatz unterscheidet sich damit von einem bloßen Gedächtnisprotokoll: Eine Aufzeichnung hält fest, was bereits geschehen ist; ANTE ergänzt eine Aussage darüber, was der nächste Eingriff voraussichtlich bewirkt. Im Paper illustriert ein Beispiel, wie ein Agent vor einer Änderung mögliche Folgen für weitere Tests prognostiziert und dadurch eine Alternative wählen soll. Das Beispiel erklärt die beabsichtigte Funktionsweise, ist für sich genommen aber kein unabhängiger Nachweis eines praktischen Nutzens. [2]

Was der Agent vor einer Aktion festhält

Vor jedem Werkzeugaufruf erzeugt die Policy einen strukturierten Belief-State. Er besteht aus einer knappen Zusammenfassung des bislang etablierten beziehungsweise fehlerhaften Zustands, einer Prognose und einer Entscheidung, ob der Agent dieser Prognose vertraut oder sich der Festlegung enthält. [2]

Die Prognose bezieht sich auf ein Ergebnis, das die Ausführungsumgebung prüfen kann. Bei einem Test kann der Agent beispielsweise PASS oder FAIL vorhersagen; zusätzlich wird erfasst, ob der Befehl ordnungsgemäß beendet wurde. Eine Prognose ist damit nicht einfach eine freie Erklärung in natürlicher Sprache, sondern soll in einer Form vorliegen, die sich mit dem Ergebnis der Aktion vergleichen lässt. [2]

Trust und Abstain bedeuten dabei nicht, dass der Agent im zweiten Fall untätig bleibt. Auch bei Abstention schreibt er eine Vorhersage und führt eine Aktion aus; er verpflichtet sich lediglich nicht auf die Prognose. Die Autoren begründen diese Unterscheidung damit, dass reine Trefferquote sonst auch selbstsicheres Raten belohnen könnte, obwohl der Zustand des Repositorys keine zuverlässige Aussage zulässt. [2]

Nicht jeder Werkzeugschritt liefert eine gleich aussagekräftige Prüfmöglichkeit. ANTE unterscheidet deshalb zwischen Aktionen, die einen auswertbaren Check ausführen, und sonstigen, eher pragmatischen Schritten. Eine Rückmeldung zur Prognose ist nur möglich, wenn die Verifikationslogik aus dem Ergebnis einen verwertbaren Wert ableiten kann; besonders eindeutig sind Schritte, bei denen ein Test tatsächlich besteht oder scheitert. [2]

Zwei Trainingsphasen: erst Format lernen, dann Prognosen überprüfen

Das Training besteht laut Paper aus einer überwachten Feinabstimmung und anschließendem Reinforcement Learning. In der ersten Phase, ANTE-SFT, lernt das Modell anhand von Lösungstrajektorien, den Belief-State zusammen mit Überlegungen und Aktionen auszugeben. Die Vorhersagen in diesen Beispielen werden aus den protokollierten Ergebnissen der nachfolgenden Ausführung abgeleitet; die Vertrauens- oder Abstentionslabels werden beim Aufbau des Korpus vergeben. [2]

Die zweite Phase, ANTE-RL, soll die Prognosen und die Entscheidung über Vertrauen oder Abstention mit eigenen Rollouts in der Ausführungsumgebung weiterentwickeln. Die Autoren kombinieren dafür drei Arten von Rückmeldung: eine Vorhersageabweichung gegenüber dem beobachteten Ausführungsergebnis, eine Bewertung der Trust- beziehungsweise Abstain-Entscheidung auf geeigneten Prüfschritten sowie eine Aufgabenrückmeldung am Ende des Durchlaufs. [2]

Die Verbindung zur echten Ausführung ist ein zentrales Merkmal des Ansatzes. Die Prognose wird nicht ausschließlich durch einen weiteren Sprachmodell-Judge oder einen gelernten Simulator bewertet: Für auswertbare Schritte dient das Ergebnis des tatsächlich ausgeführten Befehls als Referenz. Nach Darstellung der Autoren soll das die Vorhersagen mit überprüfbaren Konsequenzen verknüpfen. Daraus folgt jedoch nicht automatisch, dass jede relevante Nebenwirkung eines Codeeingriffs erfasst wird; geprüft wird, was die jeweilige Verifikationslogik erkennen kann. [2]

BAPO soll Rückmeldung einzelnen Schritten zuordnen

Ein wesentlicher Baustein heißt Belief-Anchored Policy Optimization, kurz BAPO. Die Methode soll die am Ende eines Durchlaufs verfügbare Erfolgs- oder Fehlerrückmeldung durch Schrittbewertungen ergänzen. Dazu gruppiert sie laut Paper Handlungsschritte aus verschiedenen Rollouts, die dieselbe Prognose abgeben, und vergleicht anschließend die Ausführungsrückmeldungen. Die Entscheidung, der Prognose zu vertrauen oder sich zu enthalten, wird dabei ebenfalls berücksichtigt. [1][2]

Die Grundidee: Wenn zwei vergleichbare Vorhersagen unterschiedliche tatsächliche Ergebnisse haben, kann das Training die Handlung und die zugehörige Vertrauensentscheidung differenzierter bewerten, als es eine einzige abschließende Aufgabenbelohnung erlauben würde. So soll das Modell nicht nur lernen, ob eine Aufgabe insgesamt gelöst wurde, sondern auch, ob seine Erwartung vor einem konkreten Schritt zutraf. [2]

BAPO ersetzt die abschließende Aufgabenbewertung nicht. Das Paper beschreibt eine gemeinsame Optimierung, in der die aufgabenbezogene Rückmeldung erhalten bleibt und die verifizierten Prognosen zusätzliche Signale liefern. Die Autoren führen außerdem eine Vorhersagekomponente im Trainingsziel auf; die Zusammenfassung des Zustands erhält nach ihrer Darstellung dagegen keinen eigenen Gradienten, weil sie nicht unmittelbar durch eine entsprechende Prüfung verifiziert wird. [2]

ANTE-TTO wählt bei Unsicherheit aus Alternativen

Die Prognosen sollen nicht nur das Training verbessern. Mit ANTE-TTO beschreiben die Autoren eine Testzeit-Optimierung, bei der der Agent zusätzliche Handlungsalternativen erzeugt, wenn er sich enthält oder für seine ursprüngliche Aktion ein Scheitern vorhersagt. Die Kandidaten werden anhand ihrer eigenen Prognosen gereiht; ausgeführt wird die am besten bewertete Alternative. Ein externer Scorer ist laut Paper dafür nicht vorgesehen. [1][2]

Das Verfahren macht die Schätzung des Agenten selbst zum Auswahlkriterium. Im Paper wird die Rangfolge beispielhaft anhand vorhergesagter Prüfergebnisse und eines sauberen Prozessendes erläutert. Für eine Auswahlstrategie ist die Qualität dieser Vorhersagen daher entscheidend: Sind die Prognosen systematisch falsch oder schlecht kalibriert, kann die zusätzliche Kandidatensuche auch eine ungeeignete Aktion bevorzugen. Dieser Zusammenhang ist eine methodische Folgerung aus dem beschriebenen Auswahlprinzip, kein separat nachgewiesenes Produktionsergebnis. [2]

Für die 7-Milliarden-Parameter-Variante berichten die Autoren, dass ANTE-TTO die Erfolgsrate mit ungefähr 31 Prozent zusätzlichen Inferenz-Tokens gegenüber einem einzelnen greedy Versuch steigere. Das weist auf einen möglichen Zielkonflikt hin: Eine Suche über mehrere Kandidaten kann die Trefferwahrscheinlichkeit erhöhen, benötigt aber zusätzliche Modellberechnungen. Die Angabe bezieht sich auf das berichtete Experiment und erlaubt keine allgemeine Aussage über Laufzeit oder Kosten in anderen Umgebungen. [2]

Benchmarkwerte: deutlicher Zuwachs laut Autoren

Für Qwen3-32B nennt das Paper 57,2 Prozent pass@1 auf SWE-bench Verified. Als Vergleich führen die Autoren einen Ausgangswert von 25,0 Prozent und eine um 6,2 Prozentpunkte niedrigere, angeglichene GRPO-Baseline an, die ohne Belief-State trainiert wurde. Die Werte sind Ergebnisse der Autoren; die bereitgestellten Quellen enthalten keine unabhängige Replikation dieser Messung. [1][2]

Die Autoren berichten außerdem, dass die Genauigkeit des World Models während des Reinforcement Learnings von 44 auf 69 Prozent gestiegen sei. Für elf Out-of-Distribution-Benchmarks nennen sie im Mittel einen Vorsprung von 6,2 Prozentpunkten gegenüber einer angeglichenen RL-Baseline ohne Belief-State. Für ANTE-9B geben sie 24,7 Prozent auf Terminal-Bench 2.0 an. Diese Angaben erweitern das berichtete Ergebnisbild, ersetzen aber keine Prüfung der jeweiligen Aufgaben, Vergleichsbedingungen und Auswertungsdetails. [1][2]

Die im Paper dargestellten Resultate sprechen nach Einschätzung der Autoren dafür, dass Prognosegenauigkeit und Aufgabenerfolg gemeinsam verbessert werden können. Aus den Zahlen allein lässt sich jedoch nicht ablesen, welcher Anteil des Zuwachses auf die Belief-State-Information, die zusätzliche Optimierung, die Auswahl alternativer Aktionen oder weitere Unterschiede im Trainingsaufbau zurückgeht. Für diesen Schluss wären vollständige Ablations- und Reproduktionsdaten relevant. [2]

Was Unternehmen aus dem Ansatz ableiten können

Für Organisationen, die Coding-Agenten in Entwicklungsprozessen prüfen, ist die technische Idee vor allem als Kontrollprinzip interessant: Ein Agent könnte vor einer Änderung explizit angeben, welchen Test oder welche Systemreaktion er erwartet, und diese Einschätzung anschließend mit dem Ergebnis abgleichen. Das schafft grundsätzlich eine zusätzliche Beobachtungsebene für Training und Analyse, sofern die relevanten Auswirkungen durch Tests oder andere Prüfschritte messbar sind. [2]

Eine solche Vorhersage ist nicht mit einer Sicherheitsgarantie gleichzusetzen. Das Paper beschreibt verifizierbare Ergebnisse aus der Ausführungsumgebung, nicht eine vollständige Prüfung sämtlicher semantischer, sicherheitsbezogener oder geschäftlicher Folgen eines Eingriffs. Unternehmen müssten deshalb weiterhin festlegen, welche Tests als aussagekräftig gelten und welche Änderungen eine menschliche Prüfung oder zusätzliche Schutzmechanismen erfordern. Diese Einordnung ist eine Analyse der Grenzen des beschriebenen Verifikationsprinzips. [2]

Auch die Auswahl von Alternativen per ANTE-TTO hat betriebliche Konsequenzen: Wenn ein System mehrere Kandidaten bewertet, steigt nach dem berichteten 7B-Experiment der Inferenzaufwand. Ob der zusätzliche Rechenbedarf durch weniger fehlgeschlagene Änderungen oder kürzere Fehlerbehebung ausgeglichen wird, zeigen die bereitgestellten Angaben nicht. Ein Unternehmen müsste diesen Zusammenhang in seiner eigenen Entwicklungsumgebung messen, statt Benchmarkwerte unmittelbar als Kosten- oder Produktivitätsversprechen zu interpretieren. [2]

Preprint-Status und offene Fragen

Die bereitgestellte Fassung ist als Preprint ausgewiesen. Die ResearchGate-Seite weist allgemein darauf hin, dass Preprints und frühe Forschungsarbeiten möglicherweise noch kein Peer-Review durchlaufen haben; daraus lässt sich nicht ableiten, ob dieses konkrete Paper begutachtet wurde. Die berichteten Benchmarkwerte sollten daher als Ergebnisse der Autoren und nicht als unabhängig bestätigte Leistungsangaben gelesen werden. [2]

Für eine belastbare Einordnung in der Praxis wären insbesondere vergleichbare Tests mit unterschiedlichen Repositories, Agenten-Harnesses und Prüfsuiten relevant. Ebenso wichtig wären Messungen von Inferenzaufwand, Fehlerraten und der Qualität der Prognosen bei unvollständigen oder widersprüchlichen Tests. Die hier vorliegenden Quellen liefern einzelne Angaben zu Transfer zwischen Harnesses, Out-of-Distribution-Benchmarks und zusätzlichem Tokenaufwand, aber keine Grundlage für eine allgemeine Aussage über den Einsatz in produktiven Teams. [1][2]

ANTE formuliert damit einen konkreten Forschungsansatz für ein bekanntes Problem des Agententrainings: Rückmeldungen am Ende einer Aufgabe sollen durch überprüfbare Prognosen vor einzelnen Aktionen ergänzt werden. Ob dieses Prinzip in realen Entwicklungsprozessen zuverlässig Nebenwirkungen erkennt und den zusätzlichen Rechenaufwand rechtfertigt, bleibt anhand der hier verfügbaren Informationen offen. [2]

Quellen

[1] Paper page - ANTE: Anticipate, Then Execute -- Learning Internal World Models for Coding Agents from Verified Beliefs — https://huggingface.co/papers/2610.15368 (abgerufen am 2026-10-16)
[2] (PDF) ANTE: Anticipate, Then Execute -- Learning Internal World Models for Coding Agents from Verified Beliefs — https://www.researchgate.net/publication/415749576_ANTE_Anticipate_Then_Execute_--_Learning_Internal_World_Models_for_Coding_Agents_from_Verified_Beliefs (abgerufen am 2026-10-16)