跳到正文
arXiv · ML· Ziru Chen, Dongdong Chen, Ruinan Jin, Yingbin Liang, Yujia Xie, Huan Sun·· 2026-10-12AI 评分46

COBALT:利用离线轨迹进行多轮代码生成的上下文赌博机学习

COBALT: Contextual Bandit Learning with Offline Trajectories for Multi-Turn Code Generation

AI 导读

COBALT 是一种利用离线轨迹训练 LLM 进行多轮代码生成的方法,在 LiveCodeBench 上使 R1-Distill 8B 和 Qwen3 8B 的 Pass@1 分别最高提升 9.0 和 6.2 绝对点。

来源:arXiv · ML · arxiv.org