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

Vietnamese

Reinforcement Learning with Verifiable Rewards (RLVR) đặc biệt phù hợp với việc tạo ra mã vì các chương trình được tạo ra có thể được đánh giá khách quan thông qua việc thực hiện. Execution cũng cung cấp thông tin hành vi có thể được tái sử dụng như một giám sát bổ sung. Khung chính sách đồng phát triển và phần thưởng hợp tác (SPARK), ban đầu được đề xuất cho các nhiệm vụ lý luận, khai thác ý tưởng này bằng cách tái chế các triển khai đào tạo và kết quả đánh giá của chúng để đào tạo một mô hình không chỉ để tạo ra các giải pháp mà còn để đánh giá và cải thiện chúng.

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