GAPO团队 投稿 量子位 | 公众号 QbitAI 程序员们又能少掉头发了！ 新研究通过过滤掉训练中的噪声和异常值，显著提升代码大模型在实际编辑任务中的准确性和效率。 在AI辅助编程成为软件开发核心生产力的今天，大语言模型 （LLMs） 已深度融入代码编辑、调试与优化全流程。 然而，当企业试图用 真实复杂用户环境中采集的数据 开展强化学习 （RL） 训练时，一个棘手的实际问题浮出水面：复杂上下文 （context） 导致大模型的输出答案频繁出现异常内容，即rollout噪声更普遍，使得reward出现异常值 （outliers） ，直接造成优势值 （advantage） 估计不准确，严重拖累强化学习效果。 上海交通大学、腾讯CodeBuddy等团队联合提出的 Group Adaptive Policy Optimization（GAPO） 方法，精准直击这一产业落地关键 瓶颈，为代码LLM的工业化训练提供了兼具科研创新性与工程实用性的突破方案，引发AI科研界与产业界广泛关注。 真实场景的核心梗阻：复杂上下文→rollout噪声→优势估计失真 代码编辑的核心难点在于，真实用户场景的输入提示绝非简单的代码片段， ...