論文の概要: CoSPlay: Cooperative Self-Play at Test-Time with Self-Generated Code and Unit Test

• arxiv url: http://arxiv.org/abs/2605.23491v2
• Date: Mon, 25 May 2026 03:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:38.058906
• Title: CoSPlay: Cooperative Self-Play at Test-Time with Self-Generated Code and Unit Test
• Title（参考訳）: CoSPlay: 自己生成コードと単体テストによるテスト時の協調的なセルフプレイ
• Authors: Zhangyi Hu, Chenhui Liu, Tian Huang, Jindong Li, Yang Yang, Jiemin Wu, Zining Zhong, Menglin Yang, Yutao Yue,
• Abstract要約: CoSPlayはGTフリーでトレーニング不要なフレームワークで、協調的なセルフプレイを通じてコードとUTを共同で改善する。 まず、多様なソリューションのアイデアを探求し、差別的なUTのアイデアを生み出すための潜在的な失敗モードを特定します。 次に、Code-UT実行マトリックスからの双方向のパスカウント信号を使用して、弱いコードを繰り返しプーンしたり修正したり、信頼性の低いUTをリフレッシュしたり、置き換えたりする。
• 参考スコア（独自算出の注目度）: 11.070705548910636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Reinforcement Learning with Verifiable Rewards (RLVR) and Test-Time Scaling (TTS) have advanced LLM code generation through executable verification. Yet Ground-Truth Unit Tests (GT UTs) remain a bottleneck: SOTA RLVR methods require them for costly training, while existing TTS methods lose competitiveness without them. This motivates GT-free TTS, where existing methods directly use self-generated UTs to refine and select code candidates. Yet such UTs are often noisy or spuriously coupled with wrong code, and UT quality in turn cannot be validated without reliable code. The key challenge is therefore to jointly improve both. To this end, we present CoSPlay, a GT-free, training-free framework that jointly improves codes and UTs through cooperative self-play. It first explores diverse solution ideas and identifies their potential failure modes to produce discriminative UT ideas. It then uses bidirectional pass-count signals from the Code-UT execution matrix to iteratively prune or fix weak codes and refresh or replace unreliable UTs, letting the two pools co-evolve. Finally, when multiple codes remain tied at the highest pass count, it picks the final code from the largest output-consensus cluster, since correct codes agree on the same inputs while wrong codes diverge. Experiments on four challenging benchmarks show that CoSPlay on Qwen2.5-7B-Instruct improves average BoN from 22.1% to 33.2% and UT accuracy from 14.6% to 78.3%, matching or surpassing the RLVR model CURE-7B. When applied to CURE-7B, it further improves BoN by 5.7%. CoSPlay also generalizes across diverse backbones and outperforms GT-free TTS baselines under comparable token budgets, with continued gains as the budget scales up. These results suggest a scalable inference strategy for competitive code generation without any GT data.
• Abstract（参考訳）: 近年,RLVR (Reinforcement Learning with Verifiable Rewards) とTTS (Test-Time Scaling) が,実行可能検証によるLCMコード生成の進歩を実現している。 しかし、GT UTは依然としてボトルネックであり、SOTA RLVR法はコストのかかる訓練を必要とするが、既存のTS法はそれらを使わずに競争力を失う。 これは GT フリー TTS のモチベーションであり、既存のメソッドはコード候補の洗練と選択に自己生成UTを直接使用する。 しかし、このようなUTは、しばしば騒々しいか、または突然、間違ったコードと結合し、UTの品質は、信頼できるコードなしで検証できない。 したがって、大きな課題は両方を共同で改善することである。 この目的のために,協調的なセルフプレイを通じてコードとUTを共同で改善する,GTフリーでトレーニング不要なフレームワークであるCoSPlayを提案する。 まず、多様なソリューションのアイデアを探求し、差別的なUTのアイデアを生み出すための潜在的な失敗モードを特定します。 次に、Code-UT実行マトリクスからの双方向のパスカウント信号を使用して、繰り返しプーンしたり、弱いコードを修正したり、信頼できないUTをリフレッシュしたり、置き換えたりすることで、2つのプールを共進化させる。 最後に、複数のコードが最高パス数で結びついている場合、間違ったコードが分岐している間に正しいコードが同じ入力に一致するため、最大の出力合意クラスタから最終コードを選択する。 4つの挑戦的なベンチマーク実験の結果、Qwen2.5-7B-InstructのCoSPlayは平均BoNを22.1%から33.2%に改善し、UT精度を14.6%から78.3%に改善し、RLVRモデルCURE-7Bに適合または超えた。 CURE-7Bに適用すると、BoNをさらに5.7%改善する。 CoSPlayはまた、さまざまなバックボーンをまたいで一般化し、GTフリーのTSベースラインを同等のトークン予算で上回る。 これらの結果から,GTデータを持たない競合コード生成のためのスケーラブルな推論戦略が示唆された。

関連論文リスト

• ZeroCoder: Can LLMs Improve Code Generation Without Ground-Truth Supervision? [13.984583399745157]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、実行ベースのフィードバックを通じて改善する強力なパラダイムである。 既存の作業では、自己生成テストを使って報酬を土台にしようとしたが、差別的テストの欠如は、テスト生成に対するモデルの準最適性能による影響を制限した。 我々はZeroCoderについて紹介する。ZeroCoderは、自己生成されたコード-テストインタラクションから実行フィードバックを使用して、CoderとTesterを共同でトレーニングする完全なラベルなしの共進化フレームワークである。
  論文  参考訳（メタデータ） (2026-04-09T06:24:54Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• KodCode: A Diverse, Challenging, and Verifiable Synthetic Dataset for Coding [49.56049319037421]
  KodCodeは、高品質で検証可能なトレーニングデータを取得するという永続的な課題に対処する、合成データセットである。 自己検証手順によって体系的に検証される質問解決テスト三つ子を含む。 このパイプラインは大規模で堅牢で多様なコーディングデータセットを生成する。
  論文  参考訳（メタデータ） (2025-03-04T19:17:36Z)
• Learning to Generate Unit Tests for Automated Debugging [52.63217175637201]
  ユニットテスト(UT)は、コードの正確性を評価するだけでなく、大きな言語モデル(LLM)にフィードバックを提供する上でも重要な役割を果たします。 提案するUTGenは,LLMに対して,予測出力とともにエラーを示す単体テスト入力を生成することを教える。 UTGen は他の LLM ベースラインを7.59% 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-02-03T18:51:43Z)
• CodeScore: Evaluating Code Generation by Learning Code Execution [34.08307174529496]
  本稿では,3つの入力フォーマット上で生成されたコードの関数的正当性を推定する大規模言語モデル(LLM)ベースのCEMであるCodeScoreを提案する。 CodeScoreは、他のCEMと比較して58.87%の相関性を向上し、最先端のパフォーマンスを達成し、3つの入力フォーマットを効果的に扱う。
  論文  参考訳（メタデータ） (2023-01-22T02:59:59Z)
• Revisiting Code Search in a Two-Stage Paradigm [67.02322603435628]
  TOSSは2段階のフュージョンコード検索フレームワークである。 まずIRベースのバイエンコーダモデルを使用して、少数のトップkコード候補を効率的にリコールする。 その後、より微細なクロスエンコーダを使用してランク付けを行う。
  論文  参考訳（メタデータ） (2022-08-24T02:34:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。