提出MicroCoder-GRPO算法,通过条件截断掩码、多样性决定的温度选择和移除KL损失配合高裁剪比,提升代码生成模型在长输出下的训练稳定性与多样性,在LiveCodeBench v6上相对强基线提升最高达17.6%。
机构:Microsoft
来源:arXiv 2603.07777 | AI4Papers 论文推荐平台