DecompRL एक पुनर्बल सीखने का एल्गोरिदम है जो बड़े भाषा मॉडलों को जटिल कोडिंग समस्याओं को हल करने में मदद करने के लिए डिज़ाइन किया गया है, उन्हें छोटे, स्वतंत्र रूप से हल किए जा सकने वाले उप-कार्यों में विभाजित करके। यह दृष्टिकोण कंप्यूटेशनल बॉटलनेक को महंगे GPU इनफरेंस से सस्ते CPU मूल्यांकन की ओर स्थानांतरित करता है।
- विधि स्पष्ट रूप से उच्चस्तरीय कोड संरचनाओं को जनरेट करना सीखती है जिन्हें उम्मीदवार समाधान उत्पन्न करने के लिए पुनः जोड़ा जा सकता है।
- मॉड्यूल के कार्यान्वयनों को पुनः जोड़ने से $k^{n}$ तक उम्मीदवार मिलते हैं, जिससे GPU टोकन लागत लगभग 50 गुना कम हो जाती है।
- Qwen 2.5 7B और Code World Model 32B का उपयोग करके LiveCodeBench और CodeContests पर, DecompRL समस्या प्रति $10^5$ टोकन से परे मानक RL आधार रेखाओं को हराता है।
विभाजन के माध्यम से कार्य को आसान बनाकर, और बार-बार नमूना लेने पर निर्भर रहने के बजाय, एल्गोरिदम मॉडलों को उन समस्याओं को हल करने सक्षम बनाता है जिन्हें मानक जनरेशन विधियाँ नहीं पहुँच सकतीं।