論文の概要: InCoder-32B-Thinking: Industrial Code World Model for Thinking

• arxiv url: http://arxiv.org/abs/2604.03144v1
• Date: Fri, 03 Apr 2026 16:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.527186
• Title: InCoder-32B-Thinking: Industrial Code World Model for Thinking
• Title（参考訳）: InCoder-32B-Thinking: 思考のための産業コードワールドモデル
• Abstract要約: InCoder-32B-Thinkingは、エラー駆動型Chain-of-Thought(ECoT)合成フレームワークのデータに基づいてトレーニングされている。 ECoTは、マルチターン対話と環境エラーフィードバックから思考内容を合成し、推論連鎖を生成する。 InCoder-32B-Thinkingは、すべてのドメインでトップレベルのオープンソース結果を達成する。
• 参考スコア（独自算出の注目度）: 110.60836637653127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial software development across chip design, GPU optimization, and embedded systems lacks expert reasoning traces showing how engineers reason about hardware constraints and timing semantics. In this work, we propose InCoder-32B-Thinking, trained on the data from the Error-driven Chain-of-Thought (ECoT) synthesis framework with an industrial code world model (ICWM) to generate reasoning traces. Specifically, ECoT generates reasoning chains by synthesizing the thinking content from multi-turn dialogue with environmental error feedback, explicitly modeling the error-correction process. ICWM is trained on domain-specific execution traces from Verilog simulation, GPU profiling, etc., learns the causal dynamics of how code affects hardware behavior, and enables self-verification by predicting execution outcomes before actual compilation. All synthesized reasoning traces are validated through domain toolchains, creating training data matching the natural reasoning depth distribution of industrial tasks. Evaluation on 14 general (81.3% on LiveCodeBench v5) and 9 industrial benchmarks (84.0% in CAD-Coder and 38.0% on KernelBench) shows InCoder-32B-Thinking achieves top-tier open-source results across all domains.GPU Optimization
• Abstract（参考訳）: チップ設計、GPU最適化、組み込みシステムといった産業用ソフトウェア開発では、エンジニアがハードウェアの制約やタイミングのセマンティクスをどう考えるかを示す専門家の推論トレースが欠如している。 本研究では,産業コードワールドモデル(ICWM)を用いたエラー駆動型チェイン・オブ・ソート(ECoT)合成フレームワークのデータに基づいて,推論トレースを生成するInCoder-32B-Thinkingを提案する。 具体的には、ECoTは、マルチターン対話と環境エラーフィードバックから思考内容を合成し、エラー訂正過程を明示的にモデル化することで、推論連鎖を生成する。 ICWMはVerilogシミュレーションやGPUプロファイリングなどのドメイン固有の実行トレースに基づいてトレーニングされ、コードのハードウェア動作への影響に関する因果ダイナミクスを学び、実際のコンパイル前に実行結果を予測することで自己検証を可能にする。 すべての合成推論トレースは、ドメインツールチェーンを通じて検証され、産業タスクの自然な推論深さ分布と一致するトレーニングデータを生成する。 14の一般(LiveCodeBench v5で81.3%)と9つの産業ベンチマーク(CAD-Coderで84.0%、KernelBenchで38.0%)の評価は、InCoder-32B-Thinkingがすべてのドメインでトップレベルのオープンソース結果を達成することを示している。GPU最適化

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• Towards Evaluation of Implicit Software World Models in Coding LLMs [3.4011650749358786]
  観測可能な軸を実行リソースにシフトすることで、より広範な評価に向けて一歩踏み出します。 私たちはSWE-bench Verifiedをデータソースとして使用し、実際のソフトウェアエンジニアリングタスクに近いテストを保持します。
  論文  参考訳（メタデータ） (2026-06-25T08:02:32Z)
• What Really Improves Mathematical Reasoning: Structured Reasoning Signals Beyond Pure Code [72.9921566968371]
  ドメイン分離のきめ細かい10T-tokenコーパスにおける事前学習の制御実験により,コードが推論を改善するという主張を再考する。 コードはプログラミング能力を大幅に改善するが、一般的な推論エンハンサーとして機能しない。 コード-テキストと数学-テキストの混合のようなドメイン間構造的推論トレースがよりうまく説明されている。
  論文  参考訳（メタデータ） (2026-05-19T12:37:01Z)
• InCoder-32B: Code Foundation Model for Industrial Scenarios [95.28947955949296]
  InCoder-32B(Industrial-Coder-32B)を導入し,チップ設計,GPUカーネル最適化,組み込みシステム,コンパイラ最適化,3Dモデリングなどのコードインテリジェンスを統合する。 InCoder-32Bは、産業領域にまたがる強力なオープンソースベースラインを確立しながら、一般的なタスクにおいて高い競争力を発揮する。
  論文  参考訳（メタデータ） (2026-03-17T17:01:35Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Imandra CodeLogician: Neuro-Symbolic Reasoning for Precise Analysis of Software Logic [23.59512682324697]
  大きな言語モデル(LLM)は、コード理解タスクに強いパフォーマンスを示しています。 LLMには、プログラムの振る舞いに関する正確で徹底的な数学的推論を行う能力がない。 本稿では,ImandraXと統合されたソフトウェア論理の精密解析のためのニューロシンボリックエージェントであるCodeLogicianについて述べる。
  論文  参考訳（メタデータ） (2026-01-17T00:16:41Z)
• Generating Verifiable CoT from Execution-Traces [6.634229408414094]
  チェーン・オブ・ソート(Chain-of-Thought)のプロンプトは有望だが、現在の総合的なトレーニングデータは重大な弱点に悩まされている。 プログラム実行トレースにCoT生成を直接接地することで、この問題に対処する。 この実行基盤のアプローチは、プログラムが真に計算したものを反映するすべての推論ステップを保証する。
  論文  参考訳（メタデータ） (2025-11-28T07:43:43Z)
• CodeI/O: Condensing Reasoning Patterns via Code Input-Output Prediction [47.17755403213469]
  我々は,文脈的に構築されたコードに埋め込まれた多様な推論パターンを凝縮する新しい手法であるCodeI/Oを提案する。 与えられたコードとテストケースを完全に自然言語で予測するためにモデルをトレーニングすることで、それらを普遍的な推論プリミティブに公開します。 実験の結果、CodeI/Oは記号、科学、論理学、数学と数値、常識推論タスクに一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-02-11T07:26:50Z)
• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。