Beyond the Verdict: Agentic Code Judging with Verifiable Feedback

一篇论文提出了一种无需消耗官方提交次数即可对代码进行验证和诊断的方法，通过生成可验证的反例作为反馈依据。研究团队构建了 USACO-JUDGE 数据集，并训练了一个 35B 参数的 MoE 智能体验证器 ARBITER，其在错误程序的反例成功率从 40.61% 提升至 62.67%，在 USACO-JUDGE 上的二元判断准确率从 71.41% 提升至 87.41%。