论文提出让代码执行时间成为可学习奖励

Pierre Chambon 等作者提交论文，提出一套面向代码优化的强化学习方法，让执行时间成为可学习的奖励信号。论文称方法分三阶段：构建含大规模优化测试的 DMC-Optim 基准和校准沙箱；在强化学习环境中组合正确性与速度，并用离线模拟器预测最有前景的配置；改造 GRPO 与评估，以适应更稀疏、噪声更大的计时执行场景。 这些内容来自论文作者自述，尚未见第三方验证其实际效果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。