跳到正文
arXiv · ML· Abhinav Rajput, Acey Vogelstein·· 2026-10-06AI 评分20

基于 PPO-Lagrangian 预算约束的 Qwen2.5-Coder-7B-Instruct 后训练:帕累托占优的澄清机制

Pareto-Dominant Clarification: Post-Training Coding LLMs via PPO-Lagrangian Budget Constraints

AI 导读

研究团队利用 PPO-Lagrangian 对 Qwen2.5-Coder-7B-Instruct 进行后训练,在 HumanEvalComm 数据集上实现了澄清效率的帕累托占优。

来源:arXiv · ML · arxiv.org