摘要
针对现有可验证奖励强化学习(RLVR)忽视程序结构特性的问题,本文提出 CudaPerf 框架。该框架结合执行验证奖励与并行化结构感知奖励,包含离线成对排序模块与在线联合优化阶段。利用执行反馈进行迭代细化,实现生成候选方案的渐进式自我改进。实验表明,该方法在正确性与加速比上显著优于强基线模型。
AI 推荐理由
论文提出基于 RL 的反思框架,通过迭代优化实现代码生成的自我改进与性能进化。
研究机构
Iowa State University, Ames, IA, USA
Cisco AI Research, San Jose, CA, USA
论文信息