InCoder-32B-Thinking：結合工業程式碼世界模型，突破晶片設計與 GPU 優化的推理瓶頸

本研究開發 InCoder-32B-Thinking 模型，透過錯誤驅動思維鏈與工業程式碼世界模型，合成高品質推理軌跡，顯著提升晶片設計與 GPU 優化等任務的生成精度與自我驗證能力。

Problem

工業軟體開發（如晶片設計、GPU 優化、嵌入式系統）長期面臨專家推理資料稀缺的挑戰。現有的程式碼生成模型缺乏對硬體限制、時序語意及實際執行動態的深度理解，難以重現資深工程師在面對硬體約束時的除錯邏輯與複雜推理過程。

提出 ECoT（錯誤驅動思維鏈）框架，結合多輪對話與環境錯誤回饋來模擬糾錯過程，並訓練 ICWM（工業程式碼世界模型）以學習 Verilog 模擬與 GPU 效能分析等領域的因果動態。該模型能在編譯前預測執行結果，並透過領域工具鏈驗證合成的推理軌跡，確保訓練資料符合工業任務的自然推理深度分布。

在 14 項通用與 9 項工業基準測試中，InCoder-32B-Thinking 均取得開源模型中的領先成績。其中，LiveCodeBench v5 達到 81.3%，CAD-Coder 為 84.0%，而在難度極高的 KernelBench 則為 38.0%，展現出優異的跨領域推理與生成效能。

此研究成功將硬體動態行為納入模型的推理鏈中，為工業級程式碼生成提供了一套可自我驗證的自動化方案。這不僅克服了高品質領域資料獲取困難的痛點，對於加速半導體設計、優化底層運算效能以及強化複雜硬體系統的開發效率，具有重大的應用與學術價值。