提出一个三阶段框架(构建DMC-Optim测试集、设计组合正确性与速度的奖励、并适配GRPO)用于代码优化的强化学习,在DMC-Optim上Qwen 2.5 7B的top-50% pass@1从18.0%提升到31.3%,CWM 32B从30.7%提升到50.4%,并在LCB上达到83%的速度胜率。
机构:Meta
来源:arXiv 2607.25970 | AI4Papers 论文推荐平台