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
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程