MavenCoder: Competitive Code Generation via Model Adaptive Planning Strategies and Multi-Perspective Verification Enhancement

Idea

MavenCoder 根据当前模型对题目的推理 confidence 选择 direct plan、reflection 或 tree decomposition，并在写完整程序之前检查 plan 的中间步骤。它将模型能力相关的规划预算与执行反馈结合，减少简单题过度推理和困难题规划过浅两种失效。

Research Problem

现有 planning–coding–debugging 多 agent 系统常采用固定流程，同一问题对不同模型却可能有不同难度；只在最终程序上调试，也容易让早期错误规划传到后续实现。单靠语言 verifier 或未经筛选的 token confidence，可能受模板文本高概率影响，无法可靠定位真正的算法推理问题。

Insight

难度应相对于执行模型估计，而中间计划的可信度需要同时参考模型自身分数、实际运行证据与步骤位置。对可疑的早期推理先修正，再让 coding agent 实现，能够缩短错误传播链；但是公开样例和模型生成的局部规格覆盖有限，因此该验证是启发式筛查，并非程序正确性证明。

Method

1. 从初始推理的 top-k token log probabilities 计算内部 confidence score；用规则排除 Markdown、开场语等 template tokens，经滑动窗口与 k-means 聚类得到高低 confidence 比例，分配 Easy/Medium/Hard。无内部概率访问时改用指令分类。
2. Easy 直接生成计划，Medium 结合样例与算法知识自反思，Hard 用 iterative deepening 构建子问题树；保存子问题 embedding 和解答，通过相似度排除重复分解，再将树线性化为保留层次的计划。
3. 对每个 plan step 合并三个信号：相对 confidence、由该步骤生成 modular function 并执行 public tests 的反馈、Beta density 构造的位置权重；低于阈值时定位最早可疑步骤，结合 traces 进行多轮修正。
4. coding agent 根据验证后的计划生成程序，在 public tests 上运行；debugging agent 汇总错误位置、原因和修复指令，携带历史代码与错误继续迭代。hidden tests 仅用于最终评价，六个 benchmark 覆盖函数级和竞赛编程。