ARBITER：35B MoE 智能体验证器用于竞赛编程判题与诊断
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载判题反馈的缺口
竞赛编程的官方判题系统只在有限的提交次数内给出权威结论，不会说明失败原因，也不提供导致失败的输入。这种反馈缺失限制了测试时扩展的两种常见做法：从多个候选解中挑选，或对已有尝试进行修正。论文把问题形式化为一个新任务：模型只看题目描述和源代码，就要判断候选程序是否正确，并给出失败诊断，而生成的反例充当可被检查的证据。这样做的目的是在不占用官方提交额度的前提下，获得有信息量的反馈信号。作者同时指出，要评估这一任务，需要一批带有真实判定结果、且来源多样的程序样本。
评测集与验证器训练
为评估该任务，作者从 USACO 2026 赛事构建了 USACO-JUDGE，其中既有通过的程序，也有未通过的程序，作者来源包括人类专家和多个大语言模型，从而覆盖不同水平的解法。在此基础上训练了 ARBITER，一个 35B 参数的混合专家（MoE）智能体验证器，训练方式是在一个通用的执行沙箱中使用强化学习。沙箱提供了实际运行程序、观察行为的能力，使模型能够通过构造输入来检验候选程序。论文报告了两项核心指标的变化：在错误程序上生成有效反例的成功率由 40.61% 提高到 62.67%；在 USACO-JUDGE 上的平均二分类判定准确率由 71.41% 提高到 87.41%，接近前沿验证水平。
超出判题的用途
论文强调 ARBITER 的作用不限于给出对错结论。在代码选择与代码改进两类下游任务上，它的表现都优于基线，说明其反馈可以用于在多个候选中做挑选，也可以用于指导对已有程序的修改。作者还给出一个 IOI 2026 的案例：在官方提交次数限制下，由 ARBITER 引导的改进把 GPT-OSS-120B 的期望得分提升到金牌线之上。这一结果把验证器的价值与真实赛制约束联系起来——反馈质量直接影响在有限提交预算内能达到的成绩。
方法与适用边界
从摘要可见，该工作的关键设计是把反例当作可核查证据，而不是只输出一个判定标签，这使反馈可以被人工或程序复核。评测集取自特定赛事与特定年份，程序来源混合了人类与模型，训练依赖通用执行沙箱中的强化学习。论文未在摘要中说明沙箱的具体实现、训练数据规模或推理成本，也未给出除 USACO-JUDGE 与 IOI 2026 案例之外的泛化结果。因此，其结论目前主要适用于竞赛编程这类有明确判定标准、可实际执行代码的场景。
为什么值得看
用可核查反例替代官方判题反馈，让代码生成的选择与修正不再受提交次数限制，并给出可复现的评测集与训练方法。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。