InCoder-32B-Thinking: открытая модель генерации кода для микроконтроллеров, оптимизации GPU-ядер и RTL-проектирования Команда из Пекинского авиационного института и других университетов опубликовала InCoder-32B-Thinking — открытую chain-of-thought модель для написания и отладки низкоуровневого кода на Verilog/RTL, CUDA, Triton и встраиваемом C.
🔩 InCoder-32B-Thinking: открытая модель генерации кода для микроконтроллеров, оптимизации GPU-ядер и RTL-проектирования Команда из Пекинского авиационного института и других университетов опубликовала InCoder-32B-Thinking — открытую chain-of-thought модель для написания и отладки низкоуровневого кода на Verilog/RTL, CUDA, Triton и встраиваемом C. На бенчмарках по проектированию чипов и оптимизации GPU-ядер она конкурирует с Kimi-K2, GLM-5 и Qwen3.5-397B при значительно меньшем размере. Модель основана на InCoder-32B, foundation модели, которую команда исследователей представила две недели назад. InCoder-32B-Thinking дообучена через два механизма: • ECoT, цепочка рассуждений через исправление ошибок: вместо пар «задача → правильный ответ» модель учится на реальных ошибках компилятора и их исправлениях; • ICWM (world model промышленного кода) берёт на себя роль компилятора — модели больше не нужно каждый раз запускать реальный Verilog или CUDA-бэкенд, чтобы получить обратную связь. На тестах InCoder-32B-Thinking показала 38.0% на KernelBench L2 при 10% у Qwen3.5-397B, и 75.6% Syn@1 на RealBench по Verilog-проектированию против 50.1% у Kimi-K2-Instruct. На CAD-Coder (3D-моделирование) — 84.0% по проценту успешной компиляции, лучше всех открытых конкурентов. Модель доступна в нескольких вариантах: полная версия BF16 требует нескольких GPU, FP8 запускается на двух GPU через vLLM, а квантизованные версии AWQ INT4 и GPTQ INT4 умещаются на одном GPU с 24 ГБ VRAM — например, на RTX 4090. Веса, код и датасеты доступны на HuggingFace и GitHub . #Stateoftheart
| Type | Tool |
| Section | Directories & rankings |
| Site language | en |