Murphy: Mehrschrittige Optimierung für selbstkorrigierende Codegenerierung
Ein neues Verfahren namens Murphy erweitert die bereits erfolgreiche Group Relative Policy Optimization (GRPO) um einen mehrschrittigen, reflektierenden Optimierungsprozess. Durch die Kombination von quantitativen und qualitativen Rückmeldungen aus der Ausführung lernt das Modell, seine eigenen Entscheidungen in mehreren Runden zu überdenken und zu verbessern.
