Fugu-MT 論文翻訳(概要): Post-Training Language Models for Gold-Medal Performance in Coding Competitions

論文の概要: Post-Training Language Models for Gold-Medal Performance in Coding Competitions

arxiv url: http://arxiv.org/abs/2609.02849v2
Date: Fri, 04 Sep 2026 16:57:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 16:04:20.338098
Title: Post-Training Language Models for Gold-Medal Performance in Coding Competitions
Title（参考訳）: 符号化競争における金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・金・
Authors: Aleksander Ficek, Sean Narenthiran, Mehrzad Samadi, Somshubra Majumdar, Boris Ginsburg,
Abstract要約: 本稿では,大規模問題キュレーション,合成推論トレース,教師付き微調整,強化学習を組み合わせたエンドツーエンドの特殊化パイプラインを提案する。 SFTとRLでNemotron-3-Nano-CCを,SFT単独でNemotron-3-Ultra-CC(550B-A55B)を訓練した。 IOI 2025では、Nano-CCはポストトレーニング後の130点から291点に改善され、GenCorrectでは468点に改善され、Ultra-CCは502点に達した。
参考スコア（独自算出の注目度）: 70.8192632995446
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Competitive programming has become a key test of large language model reasoning, with international competitions such as IOI and ICPC representing its most challenging settings. We present an end-to-end specialization pipeline combining large-scale problem curation, synthetic reasoning traces, supervised fine-tuning (SFT), and reinforcement learning (RL). Using 22,000 curated problems, we train Nemotron-3-Nano-CC (30B-A3B) with SFT and RL and Nemotron-3-Ultra-CC (550B-A55B) with SFT alone. We further introduce GenCorrect, a feedback-driven test-time compute strategy that iteratively generates, evaluates, and refines diverse solutions. On IOI 2025, Nano-CC improves from 130 points to 291 after post-training and to 468 with GenCorrect, exceeding the gold threshold of 438.3 while Ultra-CC reaches 502. Guided by these results, we develop a competition-specific Ultra-CC system and evaluate it prospectively during IOI 2026. Under the same time, internet-access, and submission constraints as human contestants, it scores 535.4 out of 600, exceeding both the gold threshold of 361.12 and the top human score of 498.27. To our knowledge, this is the first AI system to outscore the highest-scoring human contestant on an IOI problem set.
Abstract（参考訳）: 競合プログラミングは、IOIやICPCといった国際コンペティションが最大の課題となっているため、大きな言語モデル推論の重要なテストとなっている。本稿では、大規模問題キュレーション、合成推論トレース、教師付き微調整(SFT)、強化学習(RL)を組み合わせたエンドツーエンドの特殊化パイプラインを提案する。 SFTとRLでNemotron-3-Nano-CC(30B-A3B)、SFT単独でNemotron-3-Ultra-CC(550B-A55B)を訓練する。我々はまた、さまざまなソリューションを反復的に生成し、評価し、洗練するフィードバック駆動テストタイムコンピューティング戦略であるGenCorrectを紹介した。 IOI 2025では、Nano-CCはポストトレーニング後の130点から291点に改善され、GenCorrectでは468点に改善され、Ultra-CCは502点に達した。これらの結果から, 競合特異的なUltra-CCシステムを開発し, IOI 2026において将来的な評価を行った。同時に、インターネットアクセス、人間競技者の提出制限、600点中535.4点、金のしきい値361.12点、ヒトのトップスコア498.27点を上回っている。私たちの知る限り、このAIシステムは、IOI問題セットにおいて最も高い評価を受けた人間の競争相手を抜いた最初のAIシステムです。

論文の概要: Post-Training Language Models for Gold-Medal Performance in Coding Competitions

関連論文リスト