DMC-Optim

新的强化学习方法在基准测试中将代码优化效率提升 125%

研究人员开发了一种使用强化学习（RL）优化代码的新方法，解决了测量噪声和奖励稀疏性等挑战，这些挑战此前阻碍了进展。他们的方法在新的 arXiv 论文中进行了详细介绍，通过一个用于测试的校准沙箱、一个平衡正确性和速度的 RL 环境以及一个改进的 GRPO 算法，使执行时间成为一个可学习的组成部分。该技术显著改善了代码优化，在 DMC-Optim 基准测试中，像 CWM 32B 这样的模型 pass@1 率最高可提高 125%，同时保持了正确性。