Подтвержденный агент RL для доказанно правильного кода
arXiv: 2610.192998v1 Annuales Type: New Humber: Supporting Upducation for Code обычно вознаграждает прохождение тестов, которые модель может сделать, оставаясь неверными на входных данных, которые испытания не охватывают. Вместо этого проверщик программы решает, удовлетворяет ли программа…