InCoder-32B：首个工业代码开源大模型，覆盖芯片/CUDA/嵌入式

通用代码大模型写 Verilog 会报端口错误，写 CUDA kernel 会超出 GPU 硬件上限——不是模型能力不够，是训练数据里根本没有足够的工业代码。北航联合多家单位发布的 InCoder-32B 是目前第一个专门针对工业代码场景训练的开源大模型，覆盖芯片设计、GPU 内核优化、嵌入式系统、编译器优化、3D 建模五个领域，模型权重和数据集已在 HuggingFace 以 Apache 2.0 协议开源。

InCoder-32B 是什么

InCoder-32B 是一个 320 亿参数的 Decoder-only Transformer 模型，定位是「工业代码领域的专用基座」。与此前只聚焦单一子领域的模型（如只做 Verilog 的 RTLCoder、只做 CUDA 的 Kevin）不同，它用一个模型统一覆盖五个工业代码方向，同时保持通用代码任务的竞争力。

核心数据：250 万条经真实仿真环境执行验证的工业代码 SFT 样本，全部在真实 GPU、EDA 工具链、嵌入式仿真器上跑通后才被纳入训练集。

核心能力

• 芯片 RTL 设计（Verilog/SystemVerilog）：用 Icarus Verilog + Verilator + Yosys 完整验证，判定标准和真实硅片流片一致
• GPU 内核优化（CUDA/Triton）：直接在 NVIDIA A100 上运行验证，性能数据可直接迁移到生产环境
• 嵌入式固件（C/ARM）：以 STM32F407 为目标平台，在 Renode 仿真器上验证寄存器配置和中断行为
• 编译器优化（x86-64 汇编）：固定 CPU 频率、绑定核心亲和性条件下测量，复刻标准编译器基准流程
• 参数化 3D 建模（CadQuery）：基于 OpenCascade 验证几何保真度，与 FreeCAD、KiCad 使用相同内核

基准测试表现

工业代码方向的关键数据：

• CAD-Coder（3D 建模）IoU：53.5%，超过 Claude Sonnet-4.6 的 32.4%
• KernelBench（GPU 内核）：全部三个级别取得开源模型最佳成绩
• Triton 算子生成函数调用成功率：当前最优通用模型仅 28.80%，InCoder-32B 显著提升

通用代码方向依然有竞争力：

• HumanEval：94.5%
• MBPP：91.8%
• SWE-bench Verified：74.8%（同规模开源模型领先水平）

训练数据的核心差异

工业代码不能像 Python 函数那样用单元测试快速验证——Verilog 需要 RTL 仿真，CUDA 需要在真实 GPU 上跑，嵌入式固件需要在仿真器上引导执行。InCoder 团队为此重建了四套生产级仿真环境，250 万条训练样本全部经过完整的编译、仿真、测试流程才被收录。

训练样本分三类：

• 直接解答：需求到实现的直接路径
• 缺陷修复：失败代码 + 环境报错 + 修复后代码的完整轨迹
• 性能优化：功能正确的代码经进一步效率或架构优化

「失败-反馈-修复」轨迹的纳入，让模型学会了从编译错误和运行时日志中自主诊断问题，这正是工程师的真实工作方式。

适合谁用

• 芯片/FPGA 工程师：需要 AI 辅助生成或审查 Verilog/SystemVerilog 代码
• GPU 计算研究者：编写 CUDA/Triton 自定义算子，对硬件约束有强依赖
• 嵌入式开发者：STM32 等 ARM 平台固件开发，寄存器配置和中断逻辑要求精确
• AI 基础设施团队：需要在私有化环境部署工业代码助手，Apache 2.0 允许商业使用

获取方式

全量权重和量化版本均已开放，协议为 Apache 2.0，可商业使用。