CWM: Een Open-Weights LLM voor Onderzoek naar Codegeneratie met Wereldmodellen
CWM: An Open-Weights LLM for Research on Code Generation with World Models
September 30, 2025
Auteurs: FAIR CodeGen team, Quentin Carbonneaux, Gal Cohen, Jonas Gehring, Jacob Kahn, Jannik Kossen, Felix Kreuk, Emily McMilin, Michel Meyer, Yuxiang Wei, David Zhang, Kunhao Zheng, Jordi Armengol-Estapé, Pedram Bashiri, Maximilian Beck, Pierre Chambon, Abhishek Charnalia, Chris Cummins, Juliette Decugis, Zacharias V. Fisches, François Fleuret, Fabian Gloeckle, Alex Gu, Michael Hassid, Daniel Haziza, Badr Youbi Idrissi, Christian Keller, Rahul Kindi, Hugh Leather, Gallil Maimon, Aram Markosyan, Francisco Massa, Pierre-Emmanuel Mazaré, Vegard Mella, Naila Murray, Keyur Muzumdar, Peter O'Hearn, Matteo Pagliardini, Dmitrii Pedchenko, Tal Remez, Volker Seeker, Marco Selvi, Oren Sultan, Sida Wang, Luca Wehrstedt, Ori Yoran, Lingming Zhang, Taco Cohen, Yossi Adi, Gabriel Synnaeve
cs.AI
Samenvatting
We geven Code World Model (CWM) vrij, een open-gewichten LLM met 32 miljard parameters, om onderzoek naar codegeneratie met wereldmodellen te bevorderen. Om codebegrip te verbeteren verder dan wat alleen kan worden geleerd door training op statische code, mid-trainen we CWM op een grote hoeveelheid observatie-actie trajecten van Python-interpreter en agentische Docker-omgevingen, en voeren we uitgebreide multi-task redeneer-RL uit in verifieerbare coderings-, wiskunde- en multi-turn software engineering omgevingen. Met CWM bieden we een krachtige testomgeving voor onderzoekers om de mogelijkheden te verkennen die wereldmodellen bieden voor het verbeteren van codegeneratie met redeneren en plannen in computationele omgevingen. We presenteren eerste stappen van hoe wereldmodellen agentisch coderen kunnen bevorderen, stapsgewijze simulatie van Python-code-uitvoering mogelijk maken, en laten vroege resultaten zien van hoe redeneren kan profiteren van het laatste. CWM is een dicht, decoder-only LLM getraind met een contextgrootte van maximaal 131k tokens. Onafhankelijk van zijn wereldmodelleringscapaciteiten, biedt CWM sterke prestaties op algemene coderings- en wiskundetaken: het behaalt pass@1-scores van 65,8% op SWE-bench Verified (met test-time scaling), 68,6% op LiveCodeBench, 96,6% op Math-500, en 76,0% op AIME 2024. Om verder onderzoek naar code wereldmodellering te ondersteunen, geven we modelcheckpoints vrij na mid-training, SFT en RL.
English
We release Code World Model (CWM), a 32-billion-parameter open-weights LLM,
to advance research on code generation with world models. To improve code
understanding beyond what can be learned from training on static code alone, we
mid-train CWM on a large amount of observation-action trajectories from Python
interpreter and agentic Docker environments, and perform extensive multi-task
reasoning RL in verifiable coding, math, and multi-turn software engineering
environments. With CWM, we provide a strong testbed for researchers to explore
the opportunities world modeling affords for improving code generation with
reasoning and planning in computational environments. We present first steps of
how world models can benefit agentic coding, enable step-by-step simulation of
Python code execution, and show early results of how reasoning can benefit from
the latter. CWM is a dense, decoder-only LLM trained with a context size of up
to 131k tokens. Independent of its world modeling capabilities, CWM offers
strong performance on general coding and math tasks: it reaches pass@1 scores
of 65.8% on SWE-bench Verified (with test-time scaling), 68.6% on
LiveCodeBench, 96.6% on Math-500, and 76.0% on AIME 2024. To support further
research on code world modeling, we release model checkpoints after
mid-training, SFT, and RL.