ICLR 2026｜面向问题 + 锚点验证，解锁 LLM 代码优化新范式

关注

原创最新推荐文章于 2026-11-09 07:00:00 发布 449 阅读 AI 写同款· GEO 优化 ›

OSDU（Open Subsurface Data Universe，开放地下数据空间 / 开源地下数据生态系统） OSDU是由油气行业与云厂商共建的开源、云原生数据平台规范，旨在解决勘探开发领域数据孤岛、格式不统一、应用绑定等问题。其核心是“数据与应用解耦”，通过统一元数据模型、API及权限体系，实现跨云、跨项目的数据互通。平台支持地震、井筒、储层等专业数据管理，配套OpenVDS、ETP等标准，适配PB级体数据，支撑AI训练与数字孪生。虽为参考实现，非即用系统，但已成国际油气数字化底座趋势，国内三桶油正推进试点与国产化适配。阅读详情

大模型已能很好的自动生成代码，可代码背后的执行效率短板，却长期被忽略。为此，浙江大学与蚂蚁集团、Stony Brook University联合提出全新大模型代码优化方案——面向问题的优化视角（Problem-Oriented）与锚点验证框架（Anchor Verification），打破现有 LLM 代码优化的局部改进局限与正确性瓶颈。该方案相比大模型直接生成的代码可将代码优化率(单次)提升至 71.06%，执行加速比达 6.08×，正确性同步提升至 74.54%，为 LLM自动化高性能代码生成开辟了实用新路径。

论文链接：https://arxiv.org/abs/2406.11935

▍背景：LLM 代码优化的两大核心痛点

大语言模型（DeepSeek系列、Qwen Coder 系列等）在代码生成、补全这类基础软件工程任务中已展现出极强的实用性，但在代码性能优化这一关键场景中，仍受两大核心痛点制约，难以满足严格的性能指标与高可靠性要求，无法直接支撑工业级落地：

优化局限于局部增量改进，缺乏全局算法创新：现有代码优化对数据主流方案依赖 “单一用户对同一问题的迭代提交” 构建优化对（如从用户初始版本到迭代改进版本），本质是对个人思维路径的延续。这种模式下，优化多停留在循环调整、变量声明优化、冗余代码清理等局部调整，无法突破个体认知惯性，实现算法替换（如暴力枚举→动态规划）、数据结构重构（如数组→前缀和矩阵）等能带来量级提升的全局创新；
正确性与效率的 “优化税” 困境，顾此失彼：代码优化是 “功能正确” 与 “性能提升” 的双目标任务，但 LLM 在追求执行效率时，常出现语义偏差等问题 —— 优化后的代码可能运行更快，却无法保证与原代码功能等价，这种 “为效率牺牲正确性” 的现象被定义为 “优化税”。这一权衡困境直接导致优化结果可靠性不足，严重阻碍了 LLM 代码优化在实际开发中的落地应用。

▍核心创新：两大方案破解行业痛点

1. 面向问题的优化对：汇聚多用户的全局智慧

不同于传统“面向用户”优化对构造方案仅依赖单一用户迭代提交的优化对构建方式，该方案以 “问题” 为核心，将同一代码问题的所有用户有效提交整合为一个整体，构建跨用户的优化轨迹，让 LLM 学习多维度的高效优化思路。

打破思维壁垒：突破个体认知惯性，整合不同用户/开发者的算法思路，实现从暴力枚举到动态规划、前缀和矩阵、哈希表等全局算法创新，而非单一用户的循环微调、变量优化等局部改进；
缓解数据稀缺：优化对数量随用户数呈指数级增长，推导表明 10 个用户即可让数据量提升一个数量级，大幅降低优化对数据构建成本，解决代码优化领域的数据匮乏难题；
优化质量跃升：通过控制流图分析、语义嵌入可视化等多维度验证，该方案的全局算法优化占比高达 78%，远超传统面向用户方案的 19%，优化效果实现量级提升。

2. 锚点验证框架：用 “慢代码” 保障正确性

针对 “优化税” 这一核心痛点，方案巧妙利用 “待优化慢代码虽低效但功能 100% 正确” 的特性，构建三层闭环验证流水线，有效缓解 “效率与正确性不可兼得” 的困境。

功能解析与输入生成：LLM 先深度解释慢代码的核心功能，针对性生成覆盖边界场景、异常输入、核心逻辑的测试输入，确保测试场景的全面性；
锚点执行与用例构建：将生成的测试输入送入慢代码实际执行，利用其正确性获取精准输出，过滤无效输入后，形成 “输入 - 输出” 一一对应的100% 可靠验证用例集；
迭代精修优化代码：用验证用例集对 LLM 生成的优化代码进行执行测试，若出现语法错误、语义偏差或功能不匹配，将错误信息反馈给 LLM，驱动其迭代修正，确保优化后代码与原代码功能等价。

▍应用价值：重构LLM代码优化落地路径

该方案的创新不止于技术突破，更通过工程化设计降低落地门槛，为实际开发场景提供高可用、易集成的解决方案：

灵活部署适配多算力场景：支持 BEST@K 动态策略，无需高算力投入即可实现高效优化 ——BEST@1 模式以最小推理成本满足生产环境的快速优化需求，BEST@8 模式则可实现更极致加速比，让开发者根据算力预算灵活平衡性能与成本；
模块化设计易集成复用：锚点验证框架可作为独立组件，无缝嵌入现有 LLM 代码工具链（如代码生成平台、IDE 插件），无需重构底层逻辑即可快速提升优化代码的正确性，降低技术迁移成本；

▍总结

该研究以 “面向问题的优化视角” 打破单一开发者的思维桎梏，借 “锚点验证框架” 精准破解代码优化的正确性困境，首次在 LLM 代码优化领域实现了 “全局算法创新” 与 “优化税” 的双重突破。实验数据充分验证，该方案能将代码优化的效率、正确性与跨场景泛化能力提升至全新水平，为自动化高性能代码生成提供了工程可行性的技术路径，更有望推动LLM在软件工程领域完成从 “基础代码生成”到“智能深度优化”的关键跨越，为工业级代码研发效率革新注入核心动力。

▍关于我们

我们是蚂蚁集团智能平台工程的全模态代码算法团队。团队成立 3 年以来，在 ACL、EMNLP、ICLR、NeurIPS、ICML 等顶级会议发表论文 20 余篇，两次获得蚂蚁技术最高奖 T-Star ，1 次蚂蚁集团最高奖 SuperMA ，我们研发的 CodeFuse 项目连续两年蝉联学术开源先锋项目。

团队常年招聘研究型实习生，有志于 NLP、大模型、多模态、图神经网络的同学欢迎联系 hyu.hugo@antgroup.com，期待与你一起，探索AI的无限可能！🌟

如果您想更快地获取到最新信息，欢迎加入我们的微信群。