无测试用例，亦可行：基于蒸馏的代码生成框架用于科学工作流程
计算机视觉与模式识别
2026-04-28 v1
摘要
现有的多智能体大语言模型 (LLM) 框架用于代码生成typically 采用执行反馈并通过输入/输出 (I/O) 测试用例进行迭代改进。然而，这种方法不适用于科学工作流程，因为 I/O 测试用例不存在，生成它们需要解决手中问题本身。为此，我们引入 MOSAIC，一个无 I/O 监督的科学代码生成训练自由的多智能体框架。与执行反馈不同，MOSAIC 采用学生-教师知识蒸馏框架，通过领域特定示例和结构化问题分解来 grounding 生成。为进一步缓解跨链式子问题中的幻觉现象，我们引入统一上下文窗口 (CCW) 以维持跨智能体一致的推理。SciCode 框架上的实验表明，MOSAIC 在准确性、可执行性和数值精度方面优于现有方法，同时仅依赖轻量级模型。
引用
@article{arxiv.2604.23105,
title = {Transferable Physical-World Adversarial Patches Against Object Detection in Autonomous Driving},
author = {Zihui Zhu and Ziqi Zhou and Yichen Wang and Lulu Xue and Minghui Li and Shengshan Hu},
journal= {arXiv preprint arXiv:2604.23105},
year = {2026}
}