DMC-Optim用强化学习优化代码执行速度

研究团队提出三阶段强化学习方法DMC-Optim，通过大规模测试与校准沙盒、组合正确性和速度奖励，并改造GRPO，使模型学习稀疏且含噪的计时执行结果。论文报告，最佳配置在DMC-Optim上将Qwen 2.5 7B和CWM 32B的严格前50% pass@1分别从18.0%升至31.3%、从30.7%升至50.4%。 在LCB中，CWM 32B相对标准RLVR最多赢得83%的中位样本速度比较；沙盒退化时，稳健优化RL按不同评估指标较标准RLVR提升100%至200%。但相对每题最快的正确人类提交，其复杂度级别改进率约为人类一半（13%对22%）。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。