北交开源o1代码版！强化学习+蒙特卡洛树搜索，源代码、精选数据集以及衍生模型通通开源

北京交通大学研究团队推出了O1-CODER，一个专注于编码任务的开源模型。该模型结合了强化学习（RL）和蒙特卡洛树搜索（MCTS），通过基于伪代码的推理显著提升了代码生成质量。实验结果显示，监督微调（SFT）与直接偏好优化（DPO）相结合，使测试用例生成器的通过率从80.8%提升至89.2%。此外，伪代码方法实现了74.9%的平均采样通过率，提升了25.6%。团队还提出了一个六步框架，用于逐步优化代码生成，包括训练测试用例生成器、生成推理数据、微调策略模型等步骤。这一方法为模型的持续改进提供了有力支持。
来源：https://mp.weixin.qq.com/s/Y7qZDFtBklmoTeRUxjV_fw