后训练让LLM在编程竞赛达金牌水平
原文：Post-Training Language Models for Gold-Medal Performance in Coding Competitions
竞技编程已成为衡量大语言模型推理能力的关键测试，IOI和ICPC等国际赛事代表了其中最具挑战性的场景。我们提出一条端到端的专项化流水线，结合大规模题目筛选、合成推理轨迹、监督微调（SFT）和强化学习（RL）。基于22,000道精选题目，我们用SFT和RL训练了Nemotron-3-Nano-CC（30B-A3B），并仅用SFT训练了Nemotron-3-Ultra-CC（550B-A55B）。我们进一步提出GenCorrect，一种反馈驱动的测试时计算策略，可迭代地生成、评估并优化多个候选解法。在IOI 2025上，Nano-CC经后训练后从130分提升至291分，结合GenCorrect达到468分，超过438.3分的金牌线；Ultra-CC则达到502分。基于这些结果，我们开发了一个面向竞赛的Ultra-CC专用系统，并在IOI 2026期间进行前瞻性评估。在与人类选手相同的时间、联网和提交次数限制下，该系统在600分中获得535.4分，同时超过361.12分的金牌线和498.27分的最高人类选手得分。据我们所知，这是首个在IOI题目集上得分超过最高分人类选手的AI系统。