#program synthesis

3 篇

Coding Agents for Generalized Task and Motion Planning Problems

编码智能体求解广义任务与运动规划问题

🧭 Coding Agent 自动化 TAMP 程序合成

编码智能体在28个仿真环境中自动合成可泛化的TAMP程序，成功率56%–95%，超越手工规划器与LLM基线

📌 工作参考价值（4 点）

合成与执行解耦，离线产出可部署策略：LLM 在沙盒里把规则写成确定性代码，在线只跑代码而非每次 LLM 推理，文中平均每实例计算量降低一个数量级。电商 Agent 做选品、出价、推荐策略时，可让 LLM 在历史日志或仿真环境中生成 Python/SQL 函数，离线验证后部署，节省线上 token 成本与延迟。
固定合成预算 + 大规模留出评估：用 980 个程序 × 100 实例做统计评估，比单次 one-shot 更有说服力。业务 Agent 评测可仿照：给每个 agent 固定交互步数，在留出日志或 synthetic users 上跑多组实验，避免只报平均值而忽略环境难度分布。
用交互校准模型、测试边缘 case：日志显示 agent 会主动构造极端场景来修正物理模型。推荐/广告 Agent 可提供 shadow traffic 或合成用户，允许其在受限交互中做反事实测试和自我纠错，而不是只做被动 rollout。
保留完整 prompt 与程序 trace：可复现性做法值得借鉴；业务中要求 Agent 输出中间程序并记录决策轨迹，便于审计、调优和上线回滚。

Agent | 2026-09-23 | HF Daily | score 6/10

通过训练将自然语言规范编译为本地神经函数

🧭 自然语言规范编译为本地神经函数

University of Waterloo · Harvard University

通过教师模型生成示例并训练小适配器，将自然语言规范编译为可本地运行、可组合的神经函数

📌 工作参考价值（4 点）

在搜索/推荐/广告的高频文本规则场景（如 query 意图分诊、广告文案合规、商品标题清洗），可把 LLM 编译成轻量本地函数，替代每次远程调用；尤其适合高 QPS 或低延迟要求的在线链路，能显著降低 token 成本和尾延迟。
将自然语言规则视为可编译的"源"，用教师模型生成标注样本并训练小 adapter，使规则以模型权重形式版本化、可组合、可回滚；这比直接维护 prompt 或外部 LLM 调用更可控，也便于嵌入 ML pipeline 和 Agent 工具链。
编译时间约 1 分钟，准确率 83.6% 且语义匹配容错，适合作为模糊规则引擎的中间层；对关键业务可结合规则兜底或人工校验边界，避免在硬约束场景直接依赖。
该思路可推广到电商 Agent：把多个子任务自然语言描述分别编译成小函数，供 Agent 按需调用，减少对单一远程大模型的依赖，提升响应稳定性和可审计性。

Training | 2026-09-03 | cs.LG | score 7/10

无损张量压缩即程序合成

🧭 模型检查点张量压缩 · 程序合成

Singapore Management University · CSIRO · AIDX TECH PTE LTD · University of Alberta & Alberta Machine Intelligence Institute

将无损张量压缩形式化为程序合成，合成紧凑DSL程序实现位精确重建，存储节省33.93%

📌 工作参考价值（4 点）

电商/推荐模型（如深度CTR模型、LLM-agent）的检查点存储和传输成本高，可借鉴DSL+搜索的压缩范式，设计针对Embedding表、Transformer参数的特定压缩算子（如重复区域、浮点模式）。
无损压缩保持模型精度不下降，适合对精度敏感的在线推理场景（如价格排序、广告匹配），避免有损压缩带来的预估偏差。
可复用的工程trick：用少量代表性张量学习“产生式先验”来偏置搜索，提升压缩效率；将压缩过程抽象为可逆操作序列，解压时直接执行，无需额外依赖。
吞吐量3.60 GB/s压缩、6.61 GB/s解压，远高于通用压缩器，适合实时模型部署和快速回滚场景。

Other | 2026-08-02 | HF Daily | score 6/10