DiDPO: Diff-in-Diff Policy Optimization for Coding Agent Training

DiDPO 读取多轮代码 diff，把整段改动拆成子 diff，用 groupability score 找出语义范围与群体规模平衡的 anchors，再把 diff-level advantage 反投到响应 token。它不需要 critic，直接利用跨轨迹代码差异解决“一个动作同时改了多个区域”的归因模糊。Qwen2.5-7B-Coder 上比可比方法高 10% 以上，并配套开源 verl-code 训练栈。