摘要由 AI 生成
为解决现有代码生成模型在部署阶段存在的令牌与控制保真度错误问题，研究人员提出了一种保真度感知训练耦合框架及认证发散近端策略优化（C-DPPO）算法。该框架通过保留原始提示词采样、利用协商训练协议消除虚假模型调用，并将损失计算限制在可验证的令牌跨度内；同时建立了紧密的双边总变差认证界限、自适应 K 规则、预算感知序列保证及容错策略掩码。在 TMax-100 数据集上对 Baize5B 和 Baize10B 模型进行的匹配训练与测试表明，C-DPPO 相比标准 DPPO 在各模型规模下均获得一致的 3.0 分性能提升，证书审计验证了该认证训练管道的可靠性与全功能覆盖。
关键实体KEY ENTITIES
Baize10BBaize5BTMax-100
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- Baize5B1
- Baize10B1
- TMax-1001
全部报道（1）SOURCES
↗
研究人员提出一种保真度感知训练耦合框架及认证发散近端策略优化（C-DPPO）算法，旨在解决现有代码与终端代理后训练流程中存在的严重令牌与控制保真度错误问题。该框架通过保留原始提示词采样、利用协商训练协议消除虚假模型调用，并将损失计算限制在可验证的令牌跨度内；C-DPPO 在此基础上建立了紧密的双边总变差认证界限、自适应 K 规则、预算感知序列保证及容错策略掩码。在 TMax-100 数据集上对 Baize5B 和 Baize10B 模型进行匹配训练与测试时，C-DPPO 相比标准 DPPO 在各模型规模下均获得一致的 3.0 分性能提升，证书审计验证了该认证训练管道的可靠性与全功能覆盖。