AlphaCode
Google DeepMind开发的AI编程模型，采用评测驱动开发（Eval-Driven Development）方法进行训练，在代码生成竞赛中达到竞争性水平
时间轴 (近 90 天)
该范式的收益高度依赖筛选环节的可靠性与成本，筛选越严格、越廉价，采样规模的优势才越能兑现。
AlphaCode范式常被引用为“大规模采样+严格筛选”的代表，模型单次生成正确率不高，但通过扩大候选规模并配合高效过滤，整体成功率被显著抬升。
AlphaCode论文报告其在Codeforces竞赛中达到约前54%的人类选手水平。
AlphaCode是DeepMind于2022年公开发表的编程竞赛模型，其核心思路是大规模采样生成候选程序，再用公开测试用例和额外输入聚类筛选，最终只提交极少量进入正式评测。
AlphaCode、AlphaProof等系统使用'生成-验证'框架，LLM大量采样候选解，外部执行器或证明检查器作为验证器过滤
当前 LLM 驱动的 RSI 实践依赖模型的代码生成与自我批评能力，典型代表包括 AlphaCode 的迭代修复流程以及 Reflexion 论文所描述的 reflection 机制
DeepMind的AlphaCode等系统依赖测试用例做外部验证
合成数据方法的典型案例包括Meta的Self-Instruct、DeepMind的AlphaCode训练流程以及OpenAI在GPT-4技术报告中提及的RLHF数据增强
Oriol Vinyals是DeepMind的研究副总裁，是AlphaStar、AlphaCode等项目的核心人物
DeepMind发布AlphaFold时曾引发类似讨论,但最终通过了严格的学术检验
还有 3 条时间轴事件
全部知识事实 (14)
AlphaCode在编程竞赛中展现了DeepMind在强化学习与推理能力方面的突破
70%待验证AlphaCode是DeepMind 2022年的里程碑，在Codeforces上达到人类参赛者中位数水平
60%待验证Google DeepMind的AlphaCode系统在编程竞赛中达到了中等水平
60%待验证该范式的收益高度依赖筛选环节的可靠性与成本，筛选越严格、越廉价，采样规模的优势才越能兑现。
50%待验证AlphaCode是DeepMind于2022年公开发表的编程竞赛模型，其核心思路是大规模采样生成候选程序，再用公开测试用例和额外输入聚类筛选，最终只提交极少量进入正式评测。
50%待验证AlphaCode论文报告其在Codeforces竞赛中达到约前54%的人类选手水平。
50%待验证AlphaCode范式常被引用为“大规模采样+严格筛选”的代表，模型单次生成正确率不高，但通过扩大候选规模并配合高效过滤，整体成功率被显著抬升。
50%待验证AlphaCode、AlphaProof等系统使用'生成-验证'框架，LLM大量采样候选解，外部执行器或证明检查器作为验证器过滤
50%待验证当前 LLM 驱动的 RSI 实践依赖模型的代码生成与自我批评能力，典型代表包括 AlphaCode 的迭代修复流程以及 Reflexion 论文所描述的 reflection 机制
50%待验证DeepMind的AlphaCode等系统依赖测试用例做外部验证
50%待验证合成数据方法的典型案例包括Meta的Self-Instruct、DeepMind的AlphaCode训练流程以及OpenAI在GPT-4技术报告中提及的RLHF数据增强
50%待验证Oriol Vinyals是DeepMind的研究副总裁，是AlphaStar、AlphaCode等项目的核心人物
50%待验证DeepMind发布AlphaFold时曾引发类似讨论,但最终通过了严格的学术检验
50%待验证将MCTS应用于AI Agent能有效对抗策略漂移中的局部最优陷阱
50%