arXiv · NLP· Zhepei Wei, Wenlin Yao, Baolin Peng, Danqing Wang, Qianhui Wu, Hao Cheng, Yu Meng, Jianfeng Gao·· 8 小时前AI 评分52
Self-HPO 提出交替优化测试环境与策略以提升编码智能体表现
Self-Evolving Coding Agents via Harness-Policy Optimization
AI 导读
Self-HPO 是一个递归自我改进框架，通过交替进行测试环境（harness）和策略模型优化来提升 LLM 编码智能体表现。该方法让策略模型自身分析失败并提出新的测试环境候选，随后通过强化学习更新策略。
来源：arXiv · NLP · arxiv.org