Best practices for applying Amazon Bedrock Guardrails to code generation workflows
在这篇文章中，我们将解释如何使用编码助手为代码生成工作流程配置 Amazon Bedrock Guardrails 以克服这些限制。借助这些最佳实践，您可以构建高效的蓝图，帮助您进行有效的容量规划和强大的安全覆盖。
Embarrassingly Simple Self-Distillation Improves Code Generation
大型语言模型 (LLM) 能否在没有验证器、教师模型或强化学习的情况下仅使用其自己的原始输出来改进代码生成？我们通过简单自蒸馏（SSD）给出肯定的答案：从具有特定温度和截断配置的模型中抽取样本解决方案，然后使用标准监督微调对这些样本进行微调。 SSD 在 LiveCodeBench v6 上将 Qwen3-30B-Instruct 从 42.4% 提高到 55.3% pass@1，收益主要集中在更难的问题上，并且它在 4B、8B 和 30B 规模的 Qwen 和 Llama 模型上进行了推广，包括......
Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
ABBEL 与传统递归摘要相比的概述。信念取代了完整的交互历史作为代理的工作环境，信念分级通过监督每个信念状态的内容来提高性能。随着任务范围的增长，LLM 环境无法永远扩展。自总结可以实现简洁、可解释的上下文，但会带来显着的性能成本，特别是对于高质量数据稀缺的人工辅助领域，例如协作代码生成。我们用 ABBEL 来解决这个问题：一个框架，以自然语言信念状态的形式隔离和监督摘要的信息内容。动机：递归摘要的成本对于语言模型来说，要有效地协助日益复杂的任务，例如软件开发，它们必须能够与我们进行数百甚至数千个步骤的交互。对于如此长的任务，将整个交互的历史记录保存在上下文中是不切实际的。迄今为止使用的启发
