Google 等推出 T2J-Bench 与 TwinHarness,PyTorch 转 JAX 迁移奖励提升 11.4%

jiqizhixin · x · 2026-11-16

Google Cloud AI Research、UIUC、USC、Notre Dame 与 Google DeepMind 研究者发布 T2J-Bench 基准与 TwinHarness agent 方法(arXiv 论文),解决 PyTorch→JAX 迁移验证难题。

核心问题:PyTorch 重写为 JAX 后即使能跑通,也可能悄悄改变了梯度、优化轨迹或推理缓存行为;JAX 接口甚至可能掩盖残留的 PyTorch 依赖,「能运行」不等于「等价」。

TwinHarness 机制:

效果:在固定 Claude Code 与 opus-5 的条件下,跨 63 个仓库任务、3 个随机种子,平均迁移奖励从 0.649 升至 0.723,相对提升 11.4%。

原文链接 →

「编程与Agent」频道最新

更多「编程与Agent」频道 AI 资讯 →