标签
提出锚定自博弈（ASP）方法，通过生成器-修复器自博弈，结合嵌入相似度奖励和参考错误混合，来扩展代码修复监督，在全新基准测试BugSourceBench上，相较于标准自博弈，修复率相对提升24%。
PatchWorld 引入了一种免梯度框架，通过反例引导的代码修复，将离线轨迹转换为可执行的 Python 世界模型，从而为部分可观测环境中的规划提供可解释和可检查的信念状态程序。
本文提出了一种针对组相对策略优化（GRPO）的信号重塑方法，以改进弱反馈的代理代码修复，在编译和语义准确性方面取得了显著提升。