STEP-KTODER 的核心思路是什么？
STEP-KTODER 将代码生成中的步骤定义为多函数程序里的模块级函数，并用自动生成的单元测试为每个函数分配二进制的正确性标签，从而结合函数级过程监督和程序级结果反馈进行偏好优化。
Function-Level Execution Feedback for Code Preference Optimization
（翻译）函数级执行反馈用于代码偏好优化
资讯摘要
Abstract page for arXiv paper 2608.23632: Function-Level Execution Feedback for Code Preference Optimization
AI 摘要
本文提出STEP-KTODER框架，将代码生成中的过程监督定义为多函数程序的模块级步骤，通过自动生成的单元测试为函数分配二进制正确性标签，并结合函数级过程监督与程序级结果反馈进行偏好优化。实验显示该方法在HumanEval、MBPP、BigCodeBench和LiveCodeBench上优于仅用结果级反馈的KTO与DPO，且执行标签比LLM判官标注更可靠。
AI 问答
该方法的实验效果如何？
在 HumanEval(+)、MBPP(+)、BigCodeBench 和 LiveCodeBench 上，STEP-KTODER 相比仅使用结果级反馈的 KTO 和 DPO 均取得了更好的性能。
为什么执行标签比 LLM 判官更可靠？
研究发现，LLM-as-a-judge 的标注会系统性高估函数失败，污染正样本步骤标签并降低偏好优化效果，而基于执行的标签更加准确。
更多资讯
特朗普“一再让步”：美国加密法案仍未过关
OpenAI 总裁最新采访：现在所有人对 AI 的预测，大概率都是错的8点1氪丨8月一线城市房价上涨；携程上架510万一张的太空旅行船票；字节跳动上半年净利润出现下滑，但海外收入占比再创新高
AI 负责创造，人来干脏活，这事儿能否停一下？
展翼之后，三折叠再次进化：HUAWEI Mate XT 2 非凡大师深度体验评测
HYROX比赛腹泻这事，运动员拼归拼，但主办方不能装看不见
CLARITY法案为何倒在参议院门口？这主流如你所愿
Opus 5.2深夜上线 RSI真来了？
GPT-6 Astra实现具身智能突破 中国如何打具身防卫战
微软 CEO 纳德拉：AI 应用的机会正在变大，模型成本将继续下降全球AI视频榜单第一梯队再添中国力量：智象发布首款物理规律导向视频模型Mozilla 报告称中国开放权重模型与美国前沿模型仅相差 4.4 个月
实测豆包新模型2.1-pro，这次审美和长时间Agent任务都追上第一档了时光机器遭遇大规模机器流量36氪研究院 | 2026年北京市OPC创业者研究报告云岫资本合伙人宋旭文：量子计算：工程化与产业化并进，拐点将至 | 36氪 2026产业未来大会
超级智能体“迪迪虾”上车，比亚迪携手阿里云推进智能座舱升级
个贷不良四年涨 23 倍：这门从“救大行”长出来的生意，底层逻辑是什么？
飞书与豆包工作合体后首亮相：Agent 能进群，还能帮你写周报、做PPT
WorkBuddy + 美图设计室，在对话框里就能解决办公设计任务？
无效的管理者和疲惫的基层：浅论考核指标的漂移
我和我的 AI 手机吃了 3 顿饭
场景越多 ≠ 产品越好，：从抽象价值到真实生活的定义结构
破局产品同质化：长期主义的产品突围之路
HIP-3：昂贵的入场券 买不来的护城河清华稳准智能联合发布LimiX-2，结构化数据基础模型登顶国际评测榜单2nm天玑9600 Pro，把旗舰SoC竞争推向「融合计算」
早报｜雷军同日到访宇树与B站/罗永浩差评带来流量，野人先生单日涨粉近3万/鸿蒙智行确认问界合作调整，赛力斯主导产品已批量进入全球头部Tier 1产线，「知来具身」要为工业场景打造“开箱即用”的泛化机器人
Stella：“显化”想要的人生，60天35万美元月收入