#HumanEval

一篇把扩散模型搬进推理赛道的新论文，LFRM 用 638M 参数在 GSM8K 拿到 63.74%，比同规模的连续扩散基线都强，搞生成范式研究的可以看看。

量化到 2-bit 后模型做数学题会发疯循环？这篇论文用 on-policy 蒸馏把 MATH-500 保留率从 35% 拉到 70%，做端侧部署的可以看看。

Arena released a new leaderboard for WebDev. It shows how different models perform on coding tasks. You can see which model is the best at writing code.

lmarena.ai@lmarena_ai原文

OpenAI做了关于大模型后训练的研究，能分析训练策略问题，和以前方法比效果不一样。

这篇论文用实验数据告诉你，让AI反复修改代码不靠谱，并给出了带状态绑定的证据机制，做代码修复的开发者值得看看。

这篇论文用MineValiCoder框架搞定代码生成不可靠问题，HumanEval跑出96.34%通过率，比之前的方法强一截，搞LLM代码的同学值得看看。