Parallel-SFT 讓 code RL 更會跨語言

很多 code model 在 Python、C++ 看起來很強，一換到低資源程式語言就掉速。Parallel-SFT: Improving Zero-Shot Cross-Programming-Language Transfer for Code RL 這篇論文想處理的，就是這個落差。作者的判斷不是「程式能力只屬於某一種語言」，而是現有訓練流程沒有把這些能力好好推向可轉移的表示。

它的核心想法很直接：如果模型在 RL 之前，就先看過多種語言寫出的等價程式，或許能先學到比較語言無關的內部表徵。這樣一來，後面的 reinforcement learning 不會只把能力鎖在來源語言，而是更有機會往其他語言擴散。

這篇論文要解的痛點

這篇研究聚焦在 zero-shot cross-programming-language transfer for code RL。白話一點，就是先在某個來源語言上做 code generation 的強化學習，再看模型能不能把 RL 帶來的好處，直接轉到其他目標語言，而且不用再針對目標語言額外做 RL。

這件事很重要，因為現實世界的程式語言分布很不平均。常見語言像 Python、C++ 資料多、模型也比較熟；但很多低資源語言資料少，效果通常就差一截。論文把這個問題視為資料與訓練設定的組合問題：模型不是不會寫程式，而是它看到的訓練訊號太偏向少數語言。

作者也指出一個關鍵現象：在 Llama-3.1 上，針對來源程式語言做 RL，並不會自動讓其他目標語言一起變好，甚至可能讓表現退步。也就是說，RL 的收益未必會自然跨語言傳遞，這正是 Parallel-SFT 想修補的缺口。

Parallel-SFT 到底怎麼做

這個方法不是直接改 RL 本身，而是先改 RL 前面的 supervised fine-tuning。作者的假設是：如果 SFT 階段就讓模型建立比較能跨語言泛化的初始化，後面的 RL 才比較容易把能力帶到別的語言。

Parallel-SFT 的做法是把「parallel programs」混進 SFT 資料裡。這些程式在功能上等價，但分別用多種程式語言實作。模型不再只看單一語言版本，而是同時看見同一個任務在不同語法外觀下的對應關係。

這個設計很像在幫模型建立「語意對齊」：不要先把每個語言當成獨立技能，而是先讓模型意識到，底層做的事情其實相同，只是表達方式不同。論文的主張也不是模型因此變成某種通用編譯器式表示，而是這種 SFT 初始化，能讓後續 RL 的轉移性更好。

所以，Parallel-SFT 不是一個新的 RL 演算法。它比較像是前置訓練策略，目標是把模型帶到一個比較適合跨語言轉移的起點，再交給 RL 去放大效果。

論文實際證明了什麼

摘要裡最明確的結果，是方向性的：作者在 Parallel-SFT 模型上做 RL 後，觀察到對未見過的程式語言有更好的泛化，優於基準設定。不過摘要沒有公開完整 benchmark 細節，所以這裡沒有數字可直接對照。

論文還做了內部表示分析。作者指出，Parallel-SFT 會讓 latent space 更偏向功能導向，也就是說，不同語言但功能相同的程式，會在表示空間裡更靠近。作者認為，這種更緊密的聚類，可能就是它能提升 RL 後跨語言轉移的原因之一。

這點很值得注意。因為如果改善只是來自某種表面上的微調技巧，那影響可能很脆弱；但如果模型真的開始用「這段程式在做什麼」來組織表示，而不是只看語法長相，那跨語言任務就比較有機會受益。對 code RL 來說，這是很合理的方向。

不過，摘要能支持的證據也就到這裡。它告訴我們方法有效，但沒有交代完整評估任務、提升幅度、涵蓋哪些語言、或不同模型尺寸與 RL 目標是否都一致受益。

對開發者有什麼意義

如果你在做 code model、coding assistant，或是需要多語言支援的 agent，這篇論文的訊息很直接：不要只盯著 RL 配方，SFT 的初始化可能同樣關鍵。很多人會把重點放在 reward、rollout、policy update，但這篇工作提醒你，模型一開始學到的表示方式，會影響後面 RL 的收益能不能跨語言延伸。

對資料資源有限的團隊來說，這也提供一個可操作的思路：如果目標語言資料少，也許可以先用多語言等價程式把共享語意教進去，再進行 RL。這不代表問題就消失，但至少能把來源語言的監督訊號，轉成比較可轉移的形式。

• 用對齊的多語言實作，教模型共享語意，而不只是記住語法。
• 不要假設某個語言上的 RL 成果，會自然複製到其他語言。
• 把 SFT 視為表示塑形，不只是 instruction following。
• 若要支援長尾程式語言，前置資料設計可能比後段優化更重要。

從工程角度看，這篇論文也在提醒一件事：如果你的系統要跨格式、跨方言、跨語言泛化，先讓模型看見平行樣本，可能比直接把優化火力開大更穩。這種做法不一定最炫，但常常更實用。

限制與還沒回答的問題

這篇摘要的限制也很明顯。它沒有說明用了多少種程式語言，也沒有列出來源語言和目標語言是哪些。各語言家族之間是否都能同樣受益，摘要裡也看不出來。

另一個現實限制是，Parallel programs 本身不容易取得。對低資源語言來說，功能等價、又彼此對齊的程式資料可能比一般訓練資料更稀缺。換句話說，這個方法雖然概念清楚，但資料建置本身可能就是門檻。

此外，作者的表示分析很有說服力，但還不能算鐵證。功能相近的程式在 latent space 更靠近，確實和更好的轉移能力一致，但這不代表已經完全證明因果關係。作者目前的說法比較像是提出一個合理機制，後續還需要更多驗證。

即使如此，這篇工作仍然有一個很實際的提醒：code RL 的成敗，不只看 reward 怎麼設，也不只看 rollout 多漂亮。若你想讓模型真的跨語言，可能得先在 RL 之前，把它的語意表示往「功能」而不是「語法」的方向推。