本研究推出了SwallowCode和SwallowMath两个开放许可数据集，旨在解决大型语言模型在程序合成和数学推理中的性能限制，从而显著提升模型的准确性。

本研究提出了TheoryCoder，通过层次化理论表示和程序合成方法，提高了强化学习系统在新领域的样本效率和适应性。该方法在复杂环境中表现优于直接合成策略。

本研究提出了一种新的多臂老虎机算法CYANEA，旨在解决大型语言模型在程序合成中的表现不均衡问题。该算法优化了符号求解器和提示选择，能够提高37.2%的查询解决率。

本研究提出了一种新算法EcoSearch，旨在解决程序合成中的搜索空间膨胀问题。该算法确保计算量恒定，提高了搜索效率，并在两个经典领域中优于前代算法。

本研究提出了一种潜在程序网络（LPN）算法，旨在解决程序合成中的单次训练问题。LPN在ARC-AGI基准测试中表现出色，能够适应未见任务，展现出强大潜力。

本文探讨了大型语言模型（LLMs）在程序合成和自动修复中的应用，提出了新方法RAP-Gen和RepairLLaMA，显著提高了修复效率。研究表明，通过优化提示和数据集，LLMs能够更有效地生成补丁，减少开发者的调试工作。

本文探讨了大型语言模型（LLMs）在程序合成中的应用，包括代码生成、调试和评估。研究表明，LLMs在处理简单程序时表现良好，但在复杂任务中仍面临挑战。引入新的评估框架和基准测试后，研究揭示了LLMs在理解复杂指令和多函数调用方面的不足，强调了进一步改进的必要性。

本文介绍了LAPS技术，通过自然语言注释引导程序合成，提升搜索效率和泛化性。研究探讨了神经符号程序合成、数学推理及抽象概念的可解释性，提出了NEUMANN推理机制和RAISE解答生成方法，以提高人工智能在抽象推理任务中的表现，并发布了arckit Python库以促进ARC研究。

本文探讨了大型语言模型在程序合成中的局限性，并评估其在新基准测试中的表现。研究发现，模型性能与规模呈对数线性关系，提出通过改进数据质量和微调方法来提升代码编辑能力。实验表明，使用高质量数据进行微调优于原始数据集，开源模型在特定任务上可显著提高性能。

本文探讨了通过强化学习（RLHF）提升大型语言模型（LLM）程序合成能力的方法。研究结合了多粒度单元测试反馈、PPO算法和奖励模型，以优化模型生成高质量代码的能力。结果表明，RLHF在对齐人类偏好方面有效，并提出了改进策略模型与奖励模型交互的概念，以提高性能。

LaSynth是一种基于机器学习的程序合成方法，能够学习嵌入式表示方法，提高下一个输入标记的预测性能，并通过生成随机的程序和IO对来进行训练以合成类似于人类编写的简洁C代码。该方法在简单C代码的生成上表现优异，达到了55.2%的准确率，并显著优于现有的无执行器方法。