ode从未真正对外开放过。
DeepMind开源了训练和评估模型，发布了演示网站，外界能查看AlphaCode在具体编程问题上的生成解决方案、解释和可视化，却不能像使用 ChatGPT那样输入一个新问题，让系统实时生成代码。
不到两分钟，回复出现了。
“AST距离捕捉的是程序如何被写出来。
执行轨迹捕捉的是程序在采样输入上的行为。
我说的是稍微不同的东西：推断是哪一类反例生成器杀死了哪些候选程序。
如果两个程序需要同一种对抗性输入才会失败，那么即便它们的语法和普通执行轨迹不同，它们也属于同一个潜在解法家族。”
伊戈尔端着咖啡回到桌前，想了想，又问：
“这需要知道反例分布。在编程竞赛里，隐藏测试是不可见的。你怎么避免只是发明出一套带有自己偏差的基准测试？”
这次Light_Chen没有马上回复。
过了大约五分钟，他发来一段更长的回答。
“我们只需要用一组根据题目描述和候选程序行为生成的探针。
对每个候选程序，提取它隐含的假设，然后生成小规模的对抗性探针族，专门攻击这些假设。
在最终过滤之前，估计候选解的多样性是否真实存在。如果80%的候选程序都死在同一类探针族上，那么就可以顺利掩盖一个已经坍缩的策略空间。”
伊戈尔开始认真起来。
他回复：“假设我们接受这个观点。那么指标应该长什么样？原始聚类数量？失败家族上的熵？还是别的什么？”
“我会定义三个数字。
原始采样数：生成了多少个程序。
行为幸存数：有多少程序通过了可见测试或样例测试。
语义有效样本量：在自适应探针下，还剩下多少个不同的失败吸引域。
有用的比率增加语义有效样本量/原始采样数和语义有效样本量/行为幸存数。
如果第一个比率很小，说明模型采样到的只是风格。
如果第二个比率很小，说明过滤器选出来的只是同一个想法的不同变体。
如果两个比率都会随着规模提高而提高，那么模型确实在学习真正的策略多样性。”
伊戈尔靠在椅背上，仔细一想，卧槽大佬啊，对方给的策略有点可行性。
他看出价
…。。