InCoder-32B-Thinking: Промышленная кодовая модель мира для мышления
InCoder-32B-Thinking: Industrial Code World Model for Thinking
April 3, 2026
Авторы: Jian Yang, Wei Zhang, Jiajun Wu, Junhang Cheng, Tuney Zheng, Fanglin Xu, Weicheng Gu, Lin Jing, Yaxin Du, Joseph Li, Yizhi Li, Yan Xing, Chuan Hao, Ran Tao, Ruihao Gong, Aishan Liu, Zhoujun Li, Mingjie Tang, Chenghua Lin, Siheng Chen, Wayne Xin Zhao, Xianglong Liu, Ming Zhou, Bryan Dai, Weifeng Lv
cs.AI
Аннотация
Разработка промышленного программного обеспечения в областях проектирования микросхем, оптимизации GPU и встроенных систем испытывает недостаток экспертных трассировок рассуждений, демонстрирующих, как инженеры анализируют аппаратные ограничения и временну́ю семантику. В данной работе мы представляем InCoder-32B-Thinking, обученную на данных из фреймворка синтеза Error-driven Chain-of-Thought (ECoT) с промышленной моделью мира кода (ICWM) для генерации трассировок рассуждений. В частности, ECoT генерирует цепочки рассуждений путем синтеза мыслительного контента из многошагового диалога с обратной связью об ошибках от среды, явно моделируя процесс исправления ошибок. ICWM обучается на предметных трассах выполнения из симуляции Verilog, профилирования GPU и т.д., изучает причинно-следственную динамику влияния кода на поведение оборудования и позволяет выполнять самопроверку, предсказывая результаты выполнения до фактической компиляции. Все синтезированные трассировки рассуждений проверяются через предметные инструментальные цепочки, создавая обучающие данные, соответствующие естественному распределению глубины рассуждений для промышленных задач. Оценка на 14 общих (81.3% на LiveCodeBench v5) и 9 промышленных бенчмарках (84.0% на CAD-Coder и 38.0% на KernelBench) показывает, что InCoder-32B-Thinking достигает результатов уровня топовых открытых моделей во всех областях.
English
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