ARIADNE：通过黑板驱动的 MCTS 进行有竞争力的程序生成的代理奖励通知自适应决策探索

竞争性程序生成旨在在严格的时间和内存限制下自动为编程竞赛问题生成正确且高效的解决方案。现有的基于 LLM 的方法通常无法执行显式算法规划并无法稳健地处理边缘情况，从而导致不可靠的一次性生成。此外，尽管执行反馈对于迭代调试和细化至关重要，但在有限的计算预算内有效地合并此类反馈仍然很困难。为了克服这些限制，我们提出了 {\tool}，一个黑板驱动的蒙特卡罗树搜索 (MCTS) 框架，它将程序生成建模为顺序决策过程。 {\tool} 将生成工作流程组织为五个协调的阶段（即策略选择、代码生成、测试生成、质量评估和代码修复），同时维护一个共享黑板，积累结构化证据以指导后续决策。四个基准测试（APPS、CodeContests、CodeContests+ 和 LiveCodeBench）的实验表明，{\tool} 在多个 LLM 后端上一致实现了最佳 Pass@1 性能。使用 GPT-4o，{\tool} 获得了 41.30、46.67、27.27 和 20.91 的 Pass@1 分数，超过最强基线 CodeSim 高达 26.06 分，同时在 DeepSeek-V3.2 中观察到进一步的改进。这些结果表明，将MCTS的全局搜索与共享黑板上持久的证据积累相结合，可以实现系统探索和有效的反馈利用，从而大大增强LLM的竞争性程序生成能力。