Newest papers

Co-Evolving Policy and Reward for Code Generation: A Mechanistic Study of Single-Adapter Drift

Amarsaikhan Batjargal, Noriko Tomuro · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26416 · open-access PDF

Russian

Укрепление обучения с проверяемыми вознаграждениями (RLVR) особенно хорошо подходит для генерации кода, потому что генерируемые программы могут быть объективно оценены с помощью исполнения. Исполнение также предоставляет поведенческую информацию, которую можно использовать в качестве дополнительного надзора. Рамочная рамка взаимодействия по политике и вознаграждениям (SPARK), изначально предложенная для задач рассуждения, использует эту идею, переработав учебные развертывания и их результаты оценки, чтобы обучить модель не только генерировать решения, но и оценивать и улучшать их.

Machine translation (Meta M2M100); the English original follows.

Abstract

Reinforcement learning with verifiable rewards (RLVR) is particularly well suited to code generation because generated programs can be objectively evaluated through execution. Execution also provides behavioral information that can be reused as additional supervision. The Synergistic Policy and Reward Co-Evolving Framework (SPARK), originally proposed for reasoning tasks, exploits this idea by recycling training rollouts and their evaluation results to train a model not only to generate solutions but also to evaluate and improve them. We investigate whether this policy-reward co-evolution appr

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange