論文の概要: iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model

• arxiv url: http://arxiv.org/abs/2609.29626v1
• Date: Fri, 28 Aug 2026 15:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.087798
• Title: iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model
• Title（参考訳）: iCoder-27B:フロンティア工業符号化モデルの再帰的AIリード開発
• Abstract要約: 再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。 本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。 我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。 産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
• 参考スコア（独自算出の注目度）: 89.9836668595474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recursive AI, the prospect of AI taking an increasingly complete role in building and improving AI, is a crown jewel of AI for AI. Although recursive self-development has become practical for small models, bounded tasks, and fixed time budgets, a more consequential realization of this ambition, i.e., developing a release-ready, frontier-competitive model, remains far more challenging. In this work, we ask how little human involvement is sufficient for an agent to develop a frontier model. We concentrate human input into a high-density, low-frequency interface: experts encode objectives, stage scaffolds, permission boundaries, and operating procedures as reusable research skills, while the agent instantiates these priors, selects experiments, diagnoses outcomes, and revises the training strategy. In the challenging domain of industrial coding, the agent evolves data and coordinates SFT, on-policy self-distillation, and reinforcement learning with verifiable rewards, ultimately producing iCoder, a 27B model for RTL design and GPU kernel optimization. Across seven benchmarks, iCoder leads RTLLM, outperforming GPT-5.5 and Claude-Opus-4.8; ranks second on CVDP and KernelBench L2, exceeding GPT-5.5 by 16 points; and ties Claude-Opus-4.8 for the best TritonBench result. Exploratory case studies further show iCoder's competitive iterative RTL and GPU-kernel optimization with substantially fewer tokens. These results chart an engineering path toward recursive self-improvement, in which humans distill the principles of model building, agents operationalize them through evidence-driven experimentation, and each generation of AI becomes a more capable architect of the next.
• Abstract（参考訳）: 再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。 再帰的自己開発は、小さなモデル、有界タスク、固定時間予算で実用的になっているが、この野心のより簡潔な実現、すなわちリリース対応のフロンティア競合モデルの開発は、依然としてはるかに困難である。 本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。 高密度で低周波なインタフェースに人間の入力を集中させる: 専門家が目標、ステージ足場、許可境界、手術手順を再利用可能な研究スキルとしてエンコードし、エージェントがこれらの先行をインスタンス化し、実験を選択し、その結果を診断し、トレーニング戦略を改訂する。 産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的にRTL設計とGPUカーネル最適化のための27BモデルであるiCoderを生成する。 7つのベンチマークで、iCoderはRTLLMをリードし、GPT-5.5とClaude-Opus-4.8を上回っ、CVDPとKernelBench L2で2位となり、GPT-5.5を16ポイント上回った。 探索的なケーススタディでは、トークンが大幅に少ないiCoderの競合反復RTLとGPUカーネルの最適化が示されている。 これらの結果は、人間がモデル構築の原則を蒸留し、エージェントがエビデンス駆動の実験を通じてそれらを運用し、AIの各世代が次の世代の有能なアーキテクトになる、再帰的な自己改善へのエンジニアリングパスをグラフ化します。

関連論文リスト

• Recursive self-improvement of AI research agents [18.181986898488983]
  本稿では,AI研究エージェントの研究効率向上のためのループを実装するシステムであるAIDE2を提案する。 8日間の自律走行で、AIDE2は、新しい検索ポリシーからメモリメカニズムまで、連続した7つの改善点を発見した。 最強の発見エージェントは、FML-Benchで最強のランクにランクインした、人間工学による製造研究エージェントと一致または超えている。
  論文  参考訳（メタデータ） (2026-09-22T14:12:13Z)
• Atria Dawn: The Dawn of Agentic Superintelligence [237.73474618289063]
  本稿では,科学研究と工学のための基礎エージェント言語モデルであるAtria Dawn Previewを紹介する。 本稿では,人間-AI協力の事例研究として,このモデルの背後にある真の研究開発プロセスについて考察する。
  論文  参考訳（メタデータ） (2026-09-14T16:22:30Z)
• The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
  本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。 評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。 メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
  論文  参考訳（メタデータ） (2026-06-03T04:58:17Z)
• AIBuildAI: An AI Agent for Automatically Building AI Models [31.05147308924019]
  タスク記述とトレーニングデータからAIモデルを自動的に構築するAIエージェントであるAIBuildAIを紹介する。 我々は、リアルなKaggleスタイルのAI開発タスクのベンチマークであるMLE-Bench上でAIBuildAIを評価する。
  論文  参考訳（メタデータ） (2026-04-15T22:17:05Z)
• ASI-Evolve: AI Accelerates AI [42.885465604426884]
  ASI-EvolveはAI-for-AI研究のためのフレームワークで、学習設計-実験-分析サイクルを通じてループを閉じる。 我々の知る限り、AI-EvolveはAI開発における3つの中心的なコンポーネントにわたるAI駆動の発見を示す最初の統一されたフレームワークです。
  論文  参考訳（メタデータ） (2026-03-31T12:04:17Z)
• AI Co-Scientist for Ranking: Discovering Novel Search Ranking Models alongside LLM-based AI Agents with Cloud Computing Access [60.37646376282544]
  本稿では,全検索ランキング研究パイプラインを自動化したAI共同科学者フレームワークを提案する。 これは、AIの共同科学者フレームワークをアルゴリズム研究に利用した、ランキングコミュニティで初めての研究である。
  論文  参考訳（メタデータ） (2026-03-23T09:29:08Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Exploring Prompt Patterns in AI-Assisted Code Generation: Towards Faster and More Effective Developer-AI Collaboration [3.1861081539404137]
  本稿では,AI支援コード生成に必要となるインタラクション数を最小化するために,構造化されたプロンプトパターンの適用について検討する。 我々は,開発者とAI間の往復通信を減らすことの有効性を評価するために,異なる7つのプロンプトパターンを分析した。
  論文  参考訳（メタデータ） (2025-06-02T12:43:08Z)

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。