★ 3
帕累托占优澄清：PPO-拉格朗日预算约束后训练编码模型
论文将编码智能体的澄清提问建模为约束马尔可夫决策过程，用 PPO-拉格朗日对 Qwen2.5-Coder-7B-Instruct 进行后训练，在期望提问预算约束下优化编码准确率。在 HumanEvalComm 上，预算约束策略可同时实现更高准确率与更低澄清率，呈现对数形帕累托前沿，且模型学会在更难…
arXiv cs.LG27 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文将编码智能体的澄清提问建模为约束马尔可夫决策过程，用 PPO-拉格朗日对 Qwen2.5-Coder-7B-Instruct 进行后训练，在期望提问预算约束下优化编码准确率。在 HumanEvalComm 上，预算约束策略可同时实现更高准确率与更低澄清率，呈现对数形帕累托前沿，且模型学会在更难…