评测基准

标题或摘要命中评测基准专名的条目,没有单独的内容分类。

arXiv cs.LG76

COBALT:利用离线轨迹进行上下文老虎机学习以实现多轮代码生成

arXiv:2602.03806v2 公告类型:替换 摘要:训练用于多轮代码生成的大语言模型(LLMs)通常依赖在线强化学习(RL),模型通过反复生成的在线采样轨迹进行学习。尽管有效,在线 RL 的成本可能很高,且训练可能不稳定。本文提出利用离线轨迹的上下文老虎机学习(COBALT),这是一种简单的方法,通过复用离线多轮轨迹,高效训练用于多轮代码生成的 LLMs。基于多轮代码生成是一个单步可恢复的马尔可夫决策过程这一观察,COBALT 首先使用参考 LLM 收集代码生成轨迹,并将其拆分为部分轨迹。随后,在在线老虎机学习过程中,通过单步代码生成训练 LLM 补全每条部分轨迹。在 LiveCodeBench 上,COBALT 显著提升了 R1-Distill 8B 和 Qwen3 8B 的表现,使其 Pass@1 分别最多提高 9.0 和 6.2 个绝对百分点,并达到了采用 GRPO 和 VeRPO 的两种多轮在线 RL 基线的性能。我们还对上下文内奖励投机进行了基于扰动的分析,结果表明 Cobalt 能够增强模型对误导性执行反馈的鲁棒性。总体而言,我们的结果表明,Cobalt 是一种很有前景的多轮代码生成解决方案。我们的代码和数据已公开,地址为 https://github.com/OSU-NLP-Group/cobalt。

arXiv cs.LG82

SFT-as-context 缓解监督式微调中的遗忘问题

arXiv:2610.11132v1 公告类型:cross 摘要:监督式微调(SFT)赋予大型语言模型(LLM)专门能力,但往往会以遗忘其父模型(即微调前的预训练模型)的一般能力为代价。对于同时需要专门能力和一般能力的查询,这种权衡尤其具有限制性。我们提出了 SFT-as-context,这是一种无需训练的方法,其中父模型利用 SFT 模型的回答作为上下文来回答查询。通过上下文学习,父模型可以从 SFT 回答中获得微调能力,同时保留自身的一般能力。在 19 对父模型与 SFT 模型以及 11 个基准测试中,SFT-as-context 在微调能力上始终接近 SFT 模型:在 AIME 2024 和 LiveCodeBench 上的差距仅为 2.2 和 2.1 个百分点,在 NutriBench-English 上的宏观 MAE 差距为 2.0;同时,在一般能力上,其平均表现与父模型的差距不超过 2.2 个百分点。值得注意的是,它能够解决同时需要微调能力和一般能力的查询,即使父模型和 SFT 模型单独使用时都无法成功。该方法还可以扩展到父模型与 SFT 模型配对之外:来自小型开源 SFT 模型的回答能够提升强大的闭源 LLM 的表现,优于单独使用其中任一模型。此外,我们使用贝叶斯框架推导出理论保证,分别界定 SFT-as-context 在微调能力上相对于 SFT 模型、在一般能力上相对于父模型的误差。除此之外,我们可视化了注意力权重,发现父模型会更多地关注有用的 SFT 回答,而较少关注无关回答,这表明选择性注意力有助于父模型通过上下文学习利用 SFT 回答。

arXiv cs.LG80

开放权重 LLM 微调防御措施容易受到简单攻击

arXiv:2605.26526v2 公告类型:替换 摘要:近期用于保护开放权重大型语言模型(LLM)的防御措施旨在防止对其进行对抗性使用。这些防御措施的基础假设是:新的有害行为是通过微调学习得到的,而不是通过越狱诱导模型产生的。然而,预训练 LLM 已经在众多领域编码了大量有害知识,这引出了一个重要问题:攻击者能否在完全不进行微调的情况下,通过越狱保护模型来实现有害用途?本文表明,开放权重防护措施容易受到更简单策略的攻击。尽管这些策略广为人知,但此前尚未针对这类防护措施进行系统评估。具体而言,我们评估了两种低成本攻击——abliteration 和 prefilling——它们不依赖基于梯度的优化。在三个有害性评测基准(BeaverTails、HarmBench 和 AdvBench)上,这些攻击将受保护开放权重模型的攻击成功率从低于 10\% 提高到 16\%-96\% 的范围。为缓解这一漏洞,我们提出了抗 abliteration 调优(ART),将基于 abliteration 的目标函数纳入训练过程。ART 可叠加到现有防御措施之上,并将 abliteration、prefilling 及其组合攻击的成功率降低 10\%-20\%。这些发现表明,开放权重模型的攻击面比此前所描述的更广泛,对防护措施的评估应纳入更多样化的攻击策略,而不能局限于对抗性微调。

arXiv cs.LG74

只工作不玩耍,Jack 就会变成无趣的孩子:理解并防止 RLVR 中灾难性的策略崩溃

arXiv:2610.02835v1 发布类型:新 摘要:在使用可验证奖励强化学习(RLVR)对大型语言模型(LLM)进行后训练期间,GRPO 风格的算法可能会出现严重的后期崩溃。基于提示的探测表明,这并非无害的策略裁剪,而是有效策略容量的有害收缩,使不同的推理策略越来越难以访问。为刻画这一现象,我们通过轨迹层面的策略更新交互来定义策略,并构建了一个结合优化动态与信息论的统一理论框架。我们证明,主要的 RLVR 目标函数会逐步将概率质量集中到单一策略上,而维持非平凡的任务准确率则需要最低限度的策略容量。这两项结果之间的冲突为灾难性崩溃提供了机制层面的解释。我们进一步推导出 Mirrored Entanglement Index(MEI),将其作为一种轻量级的在线预警信号。为防止崩溃,我们提出 \textbf{Mesh Learning},通过展现多种推理策略,防止任何单一策略主导优化过程。在 AIME26、AIME25、MATH-500、GPQA 和 LiveCodeBench 上,Mesh Learning 在 Qwen 和 Phi 模型系列中均持续优于强基线,性能提升最高分别达到 13.4 个百分点和 11.5 个百分点。这些结果表明,策略保留是实现稳定 RLVR 的关键原则。代码发布于 https://github.com/Ayanami-0123/Open-Mesh-Learning。

arXiv cs.LG80

基于本体、经推理器验证的科学 AI 中 LLM 推理评测基准

arXiv:2610.00682v1 公告类型:cross 摘要:大型语言模型(LLM)日益成为科学 AI 应用的基础,这些应用需要在结构化知识上进行推理,涵盖从生物医学问答到材料信息学等领域。然而,它们的逻辑推理能力往往不足,会产生在这些场景中无法接受的事实错误。可靠的评测仍然面临挑战:人工构建数据集难以扩展,而基于 LLM 的生成则可能将其试图测量的缺陷本身嵌入数据中。高质量基准必须将正确和错误的标注示例都建立在明确的背景知识之上,并能够由标准推理器进行形式化验证。我们提出了一条流水线,可从任意公理化程度足够高的 OWL 2 本体中自动生成基于本体的多项选择题(MCQ)基准,其中正确答案在设计上即由本体提供依据。干扰项通过扰动类定义公理右侧的类表达式生成,并由 OWL 推理器通过蕴含检查对其错误性进行形式化验证。我们在三个本体上评估了该流水线:Pizza(小型、学术型)、PMDco(复杂、材料科学领域)和 DOID(大型、生物医学领域),分别生成了 112、2,491 和 15,216 道 MCQ。干扰项涵盖从类不可满足性到弱化的从属关系在内的四种语义类别,从而能够针对特定推理失败进行诊断性评估。题目符合自然语言质量标准:LLM 评审者给出的平均分分别为 5 分制中的 4.02、4.36 和 3.36,证实了题目的流畅性;正确答案与干扰项之间超过 0.8 的相似度表明,错误选项无法仅凭表面形式被排除。六个 LLM 在零样本条件下进行评估,准确率达到 41.1%–76.8%,显著高于 25% 的随机猜测基线,表明这些基准具有挑战性和良好的区分度。这项工作朝着构建更可靠的科学 AI 逻辑推理评测基准迈出了一步。

arXiv cs.AI69

FLEET: From Logits Entropy to Enhanced Trajectories in Text Generation

Solutions based on large language models (LLMs) often rely on temperature sampling to improve accuracy and stability by aggregating multiple samples from the completion distribution. However, this memoryless approach is inherently suboptimal: because it lacks awareness of prior generations and their evaluations, it produces an increasing proportion of semantically duplicate answers as more samples are drawn, leading to diminishing returns. To address this limitation, we introduce FLEET, a novel method that integrates a memory mechanism into the generation process. FLEET represents each generation as a sparse trajectory through states whose entropy exceeds a predefined threshold and uses these trajectories to infer per-token utility scores that adjust the logits. Benchmark evaluations demonstrate that FLEET achieves the same accuracy as the repeated sampling baseline, with a 3x speedup, and substantially improves accuracy on complex coding tasks (LiveCodeBench Pass@32 increases from 59.9% to 66.2%) under the same budget. Furthermore, in the greedy-decoding configuration evaluated here, the approach is deterministic and uses a single calibration pass to derive its principal hyperparameters, requiring only minimal modifications to existing LLM pipelines.

arXiv cs.AI81

为何 Gated DeltaNet 能经受住 4 位量化:用于混合型 27B LLM 递归半部分的 NVFP4 W4A4

混合型 LLM 将 softmax 注意力与线性注意力层(如 Gated DeltaNet, GDN)配对,其递归状态以固定大小总结上下文。早期社区对 Qwen3.8-27B(48 个 GDN 层,16 个 attention 层)的 4 位量化实现,出于“递归中的误差会在长上下文中累积”的直觉,保留了 GDN 块为 8 位或 16 位精度——尤其是其衰减门和写入强度门。我们通过构建 Minima 来检验这一直觉:对全部 496 个线性层(包括 GDN)都采用 NVFP4 W4A4。我们在 4K/32K 的困惑度、MMLU-Pro、GSM8K、AIME'25、GPQA-Diamond、LiveCodeBench,以及到 64K 的 RULER 检索上测试发现,Minima 在种子噪声范围内与 BF16 相当(5 项任务平均 -0.52),同时是我们比较的方案中最小(17.5 GiB)且预填充最快(+14-19%)的方案,而且其 32K 困惑度差距会随位置缩小。一个四部分的机制研究解释了原因:(i) NVFP4 的 16 元素块缩放将残差流中的极端离群值局部化,使不同层角色之间的激活误差更加均衡;(ii) 所谓脆弱的门投影反而最不敏感——softplus/指数和 sigmoid 参数化把约 11% 的 GEMM 误差压缩为约 2% 的输出误差;(iii) delta-rule 递归在 32K token 上将注入噪声维持在平坦平台,并在数百步内忘记一个状态脉冲,因为每次写入都会沿当前 key 方向覆盖状态;(iv) 单个 token 的量化成本会随上下文而被冲淡,而不是累积。我们还修复了一种全局尺度不匹配:当按模块校准的 NVFP4 检查点由将这些模块融合为一个 GEMM 的 kernels 提供服务时会出现该问题,并表明经过校准的 FP8 KV-cache 尺度不会带来性能损失。结果表明,一个实用方案是——全部量化,附带 KV 尺度——并且给出了一个机理性解释:为什么混合型 LLM 的递归半部分是更容易量化的那一半。检查点:https://huggingface.co/minima-ai/mnma_qwen3.8_27b_nvfp4

arXiv cs.AI69

LLM Post-Training as Brownfield Maintenance: An Industrial Perspective on Dataware Engineering

Industrial post-training is a brownfield regime. Teams inherit a deployed checkpoint and must land targeted improvements under fixed compute and mixture budgets without regressing the rest. The maintained artifact is increasingly dataware: behavior governed by a curated post-training mixture, updated via bounded mixture patches rather than clean-slate retraining. From an industrial code-generation improvement effort, we offer a maintainer's perspective on why this work is hard in practice, distilling three recurring challenges, zero-sum mixture design, yield as the binding metric, and end-to-end integration under uncertainty, and arguing that progress depends less on one-off recipes than on an engineering discipline for programming dataware. In our case study, interventions that raised the conversion of teacher distillation into usable training data increased accepted supervision by 2.84 times while using the same solution teacher and four solution attempts per candidate problem. In our primary evaluation, the yield-engineered patch improved CodeForces pass@1 by +2.59 points (+3.11 pass@3) and held-out LiveCodeBench v6 pass@1 by +6.11 (+8.05 pass@3), all statistically significant across 16 stochastic evaluations of each benchmark from one fixed checkpoint per condition, with internal AIME and MATH regression suites within tolerance.

arXiv cs.AI76

基于可验证奖励的程序学习:用于后训练 LLMs 的符号反向传播

将语言模型后训练为具备推理能力意味着更新其权重。监督微调和强化学习都会把获得的能力放入模型内部,使其无法被检查、无法逐步核验,也无法迁移到另一模型。我们认为,对于其中间步骤可验证的任务,推理最好放在基础模型权重之外,作为由确定性和神经原语组成的显式程序。我们提出 PLVR (Program Learning with Verifiable Rewards):一种直接从输入输出示例中学习此类程序的后训练方法。其机制是符号反向传播:每一层程序都携带一个类型化本体;在输出端根据真实值计算损失,并通过对原语签名的类型推断将所需的输入本体向后传播:这类似于链式法则,其中信用分配是一种推导,而不是估计。与只验证终局结果的 RLVR 不同,PLVR 的奖励是按步骤的合约判定,在程序结构上是稠密的。在 LiveCodeBench v6 和 Tau2Bench 上,使用 PLVR 的 30B 基础模型在相同预算下平均比 RL 高 27.8 个百分点,而规模大一个数量级的前沿模型高 13.6 个百分点。一套原语库即可同时服务两个基准,因此新任务的边际成本只是 100 个程序搜索示例,而无需新的 finetuning 数据。在相同预算下,用在同一类型可接受空间上的均匀采样替代损失引导搜索,会使中位程序性能从 65.6 下降到 17.5,说明优势来源于反向传播而不是类型系统。我们发布了符号反向传播库和一个一致性检查器,以便该方法可应用于除我们自身之外的原语库。

arXiv cs.AI71

TDD-Agent: Test-Driven Reasoning for Code Generation

Large Language Models (LLMs) have achieved remarkable progress in code generation, yet ensuring correctness in complex, repository-level tasks remains challenging. Existing approaches often use generated tests as static post-hoc validators, which limits their ability to guide implementation and may introduce misleading feedback when the tests themselves are incomplete or incorrect. In this paper, we introduce TDD-Agent, which operationalizes the test-driven development paradigm for code generation. TDD-Agent first prompts the model to generate executable tests, encouraging it to clarify expected behaviors before implementation, and then performs iterative dual-track refinement over both the generated code and tests using execution feedback. We first isolate the effect of test-first reasoning through a prompt variant TDD-prompt on LiveCodeBench, where it consistently improves upon reasoning-based prompting baselines. Building on this finding, we evaluate the full TDD-Agent framework on RepoEval, a repository-level benchmark, and show that it consistently outperforms retrieval-based and agent-based baselines. Additional analyses show that iterative refinement improves not only code correctness but also the effectiveness of the generated tests, yielding higher pass rates, coverage, and mutation scores, suggesting that tests can serve as evolving reasoning artifacts rather than fixed validators. Our source code is available at https://anonymous.4open.science/r/TDD-Agent-Framework-6370/.