研究人员推出了 NetlistBench，这是一个旨在评估大型语言模型 (LLM) 在理解和操作 SPICE 网表方面的可靠性的新基准。SPICE 网表对于电路设计至关重要。该基准包含 24 个任务家族中的 2,342 个案例，评估了模型在参数识别、连接性编辑和等效性判断等任务上的表现。结果表明，虽然 LLM 在简单的局部编辑任务上表现良好，但在设备添加和等效性判断等更复杂的操作上，其准确性会显著下降，这凸显了网表可靠性是值得信赖的基于 LLM 的电路设计自动化的一个关键瓶颈。 AI
影响 强调了 LLM 在电路设计应用中的一个关键瓶颈，可能指导未来针对特定领域的模型开发。
排序理由 该集群描述了一个用于评估 LLM 在特定技术任务上的新基准，该基准在一篇学术论文中发布。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.12197v1 Announce Type: cross Abstract: Large Language Models (LLMs) are increasingly used in circuit design workflows, yet their reliability on simulator-facing SPICE netlist recognition and manipulation remains poorly understood and is rarely separated from high-level…
Large Language Models (LLMs) are increasingly used in circuit design workflows, yet their reliability on simulator-facing SPICE netlist recognition and manipulation remains poorly understood and is rarely separated from high-level design reasoning. Although netlists are textual, …