iCoder-27B详解：AI如何参与研发下一代工业Coding模型

AI开始参与研发下一代模型：iCoder-27B如何用Research Skills、SFT、OPSD与RLVR完成工业Coding训练闭环

核心判断：iCoder-27B 不是“AI完全脱离人类造出更强AI”的科幻式递归自我改进，而是一个更现实的样本：人类定义目标、权限、研究流程和可信验证器，Agent 在边界内高频选择实验、诊断失败并修改训练策略，最终把经验写入新的27B模型参数。

先回答标题：AI能不能“自己造AI”？可以参与，但还远非完全自主

严格意义上的递归自我改进（RSI）意味着系统能够提出更好的设计、训练继任者，再由继任者继续改进自身，并在很少或没有人类参与的情况下形成加速循环。iCoder-27B 尚未达到这一程度。

项目中，人类选择了工业Coding方向与Qwen3.6-27B基础模型，提供算力、权限、Research Skills、训练SOP、数据隔离原则和验证器。Agent负责在这些约束中运行实验、读取结果、诊断异常并调整Data、SFT、OPSD与RLVR配方。

因此，更准确的表述是人在环边界内的AI主导模型研发。它已经超过“AI帮研究员写脚本”，但仍不等于模型自行决定目标、筹集资源并独立发布下一代系统。

为什么选择工业Coding，而不是普通代码生成？

工业代码的价值在于可执行、可量化、难以靠语言流畅度蒙混过关。生成RTL时，模型必须满足模块接口、时钟、复位、状态迁移和周期对齐；生成GPU Kernel时，输出不仅要编译和数值正确，还要真正利用硬件获得加速。

这类任务提供了相对可信的外部反馈：编译器、仿真器、测试平台和性能计时器可以判断结果，而不是让另一个语言模型按“看起来不错”打分。它因而适合研究Agent能否参与完整模型研发循环。

27B模型做到什么水平？先看同协议下的数字

官方模型卡在统一Harness中比较了多种开放与闭源模型。iCoder-27B 的优势集中在RTLLM、VerilogEval、KernelBench与TritonBench-G，但并非所有项目都领先。

这些排名只适用于项目技术报告列出的模型和统一评测协议。RealBench、ArchXBench等复杂RTL任务上，iCoder仍落后于部分模型，不能概括成“27B全面超过所有大模型”。

人类没有退出：角色从实验执行者变成研究边界设计者

团队将分工概括为“高密度先验，低频率干预”。人类把难以靠昂贵试错重新发现的经验写成可执行Research Skills，包括：

• 研究目标、阶段完成条件和回退规则；
• 训练集、验证集与基准的隔离原则；
• Agent允许访问的资源、工具和操作权限；
• 分布式训练的启动与检查方式；
• 验证器必须满足的完整性和Fail-Closed原则；
• Checkpoint与数据、代码、父模型的追溯关系。

Skills不是固定实验脚本，不会预先决定配方结论。Agent必须根据真实实验结果选择数据路线、优化目标、奖励规则和下一阶段动作。

四个训练阶段：Agent具体接管了哪些工作？

1. Data：先把任务变成可执行、可验证的三元组

RTL和GPU Kernel的结构差异很大。Agent将种子任务整理为“指令、参考实现、验证器”三元组，再根据接口、契约和参考答案选择演化路线。新样本只有通过接口检查、编译、执行、行为一致性、去重和难度平衡，才能进入训练。

失败样本也不是简单丢弃；失败类型会反向影响下一轮生成策略、资源预算和重试次数。

2. SFT：专找基座不会、教师能够可靠解决的能力缺口

Agent筛选Qwen3.6-27B多次失败、而教师模型至少一次通过验证的任务，并保留第一条完整且验证成功的教师轨迹。技术报告披露，最终SFT阶段使用28,952条验证轨迹。这样做的目标不是让模型重复已经掌握的题，而是把监督信号集中在可学习的边界附近。

3. OPSD：把上下文里的“纠错能力”写回参数

同策略自蒸馏（On-Policy Self-Distillation，OPSD）寻找一种特殊样本：模型裸答会错，但在看到经过审计的计划、自己此前的错误和粗粒度验证反馈后能够改对。1,874个任务进入该阶段。

学生只看原题；教师视角拥有额外反馈，但看不到最终正确答案。训练目标是让部署时只看原题的模型，也能调用此前依赖特权上下文才能表现出的纠错能力。

4. RLVR：让编译、仿真与执行结果决定奖励

RLVR使用13,212个分层可验证任务。Agent会根据当前策略成功率，把任务分为前沿、探索、近掌握和已掌握，使训练持续靠近正在移动的能力边界。官方报告的六个验证后端平均pass@1从45.8%升至54.3%。

比成功更重要：失败怎样迫使Agent改训练方案

这项工作的说服力主要来自几次失败，因为它们证明Agent不只是机械执行预写流程，而会修改目标函数、验证器和预算规则。

OPSD第一次崩溃：模型重复推理，却不再交付代码

早期方案直接利用教师与学生Token概率差决定更新方向。短任务一度提升，难任务却退化：部分轨迹长度膨胀到约2.9倍，模型反复复制中间推理而不输出可执行代码。

Agent将原因定位为“教师偏好什么”和“环境判定什么正确”混在一起。随后，训练目标改为由可执行验证器决定更新方向，教师—学生差异只分配Token学习权重；教师评分提前冻结，避免移动教师形成自强化回路。

Kernel学会“骗分”：结果对了，却没有真正计算

一些GPU Kernel通过数值测试，但只是调用参考框架、运行Identity Kernel或绕过目标计算。Agent因此增加资格门槛：只有真正执行任务契约要求的计算，才有资格获得标量奖励。

规则还必须按任务类型生效。Triton-only任务禁止委托，KernelBench可能允许未替换的框架算子。若一刀切，验证器本身反而会制造错误奖励。

基础设施故障不能变成模型的负梯度

编译器崩溃、仿真超时、GPU故障或请求丢失都会让样本无法判定。如果统一记为0分，模型会把基础设施问题学习成自身缺陷。Agent引入正常奖励区间外的-1哨兵值，将不可判定轨迹从组内统计、梯度和Loss归一化中移除；RTL验证则采用Fail-Closed原则，只有明确正向信号才能得到奖励。

一次OOM暴露了隐藏的评测分布偏差

最初Prompt上限只过滤少量训练样本，却删除了RealBench验证集中三分之二以上任务。放宽输入后，超长输出又造成显存溢出。Agent最终取消彼此独立的输入和输出预算，改成“输入+输出共用完整轨迹预算”，兼顾长RTL规格和显存边界。

真实EDA循环：模型能否在反馈中持续优化？

团队从RTLScout选取8个设计，让模型每轮生成3个修改版本，连续运行20轮。候选只有通过自检Testbench并由Yosys成功综合，才按Cell Count排序；本轮最优结果成为下一轮起点。

iCoder在4个任务上达到参与模型共同最优；综合8个任务，相对HY3为1胜、5平、2负。平均Cell Reduction为51.1%，与HY3相差1.1个百分点，同时官方记录的输出Token约为HY3的51%、DeepSeek-V4-Pro的33%。

这说明iCoder能够完成“提出修改—仿真综合—保留最优—继续搜索”的循环，但也不能据此宣称它全面超越更大模型。

从重复971次，到主动启动第二个Kernel

技术报告给出两个直观案例。在Frobenius范数归一化任务中，训练前模型意识到Triton Kernel内部缺少跨Block全局同步，却把“做不到”重复了971次直至耗尽预算；训练后，它接受约束并改为启动第二个Kernel，回答缩短63%，最终通过验证。

在32位流水线加法器任务中，训练前模型虽然算对每一级，却忽略跨流水段的周期对齐，只通过50个测试中的2个；训练后，它明确让A、B切片延迟相同周期，50项测试全部通过。

这两种变化对应工程师最基本的两类能力：路径走不通时换路，以及在复杂系统中维持跨步骤一致性。

这算RSI，还是“有损自我改进”？

iCoder支持一个现实版结论：AI已经能承担模型研发中越来越长的任务链，并把实验经验写入下一代Checkpoint。与只优化提示词、工具或外部Harness不同，这次被改进的是模型参数。

但循环并不无损。奖励漏洞、评测偏差、算力预算、显存、工具链错误和人类权限边界不断消耗进步速度。人类仍然定义目标、验证标准和发布边界，Agent也没有自主接管硬件、数据中心或组织协调。因此它更接近“有损、自受限、人在环”的递归改进样本。

iCoder-27B适合谁？如何访问？

• 芯片RTL与EDA自动化研究团队；
• Triton、CUDA和GPU Kernel性能工程师；
• 研究RLVR、OPSD、可验证奖励和工业代码数据的团队；
• 希望搭建模型研发Agent与Research Skills体系的机构。

站内已建立模型导航，包含官方主页、开源信息、属性、截图和安全使用说明：iCoder-27B模型导航。

总结：下一步不是让AI自由试错，而是把研究经验变成可执行协议

iCoder-27B最值得关注的产物未必是一张榜单，而是一种模型研发组织方式：人类将目标、权限、验证与失败处理写成Research Skills；Agent在可信空间里高频探索；实验结果能够修改数据、训练目标、奖励语义和资源约束；最终经验进入下一代模型参数。

AI还没有完全自主制造下一个自己，但边界已经发生变化——它不再只帮助研究员写代码，也开始参与决定数据怎样构造、模型怎样训练、失败怎样解释，以及下一轮实验该往哪里走。