企业官网建设流程全解析

ATLAS的研究基石：LLaMA Monkeys、PlanSearch等6篇论文如何被翻译成一套完整的工程系统

【免费下载链接】ATLASAdaptive Test-time Learning and Autonomous Specialization项目地址: https://gitcode.com/gh_mirrors/atlas112/ATLAS

ATLAS（Adaptive Test-time Learning and Autonomous Specialization）是一个开源的本地 AI 编码智能体：它不改模型本身，而是把测试时计算（test-time compute）拆成规划、候选生成、评分与修复等工程组件，让 14B 级别的小模型在本地硬件上完成真实软件开发。这篇文章带你拆解支撑 ATLAS 的6 篇关键论文——从 LLaMA Monkeys 到 PlanSearch——以及它们分别落成了代码仓库里哪些具体模块。

一张图看懂：论文如何变成工程模块

ATLAS 的设计哲学可以概括为一句话："模型是冻结的，智能长在模型外面。"仓库中有一份官方的研究来源清单 docs/SOURCES.md，按"当前生效 / 已废弃 / 路线图"三个状态桶组织每篇论文。下面这 6 篇是支撑当前 V3 流水线核心路径的基石：

论文一：Large Language Monkeys——为什么小模型配"多采样"就能打

Brown 等人 2024 年的Large Language Monkeys: Scaling Inference Compute with Repeated Sampling是整个项目的前提：推理时算力（采样次数）可以替代模型规模。采样次数足够多时，更弱的模型也能超过更强的模型。

对 ATLAS 而言，这意味着不需要追求更大的权重——把省下的显存让位给"生成 k 个候选 + 挑选 + 修复"的循环。ATLAS 的 V3 流水线每任务生成3 个候选，用 Geometric Lens 选出最优者，全挂则进入修复循环。消融研究（docs/reports/V3_ABLATION_STUDY.md）正是围绕"候选池 + 选择 + 修复"这条链路逐阶段量化收益的（注意：该报告的 74.6% 数字已被官方撤回，重新测量进行中）。

论文二：PlanSearch——把"规划"做成约束驱动的结构化搜索

Wang 等人 2025 年 ICLR 2025 Spotlight 论文PlanSearch: Planning as Search over Programs的核心主张是：不要一次性盲写代码，先搜索出一组互相不同的解题计划，再逐计划生成。

工程化后的实现在 v3-service/stages/plan_search.py，分三步：

1. 从题目中抽取 N 组互相独立的约束集，每组约束各自收窄解空间；
2. 针对每组建一个解法计划（此时开启思考）；
3. 按计划生成代码。

文件头部的注释写得很直白：三条各砍掉 70% 解空间的约束叠加后，模型只需在剩余2.7%的空间里生成，而不是盲目搜索。这正是 PlanSearch 论文中"规划即搜索"的工程翻译。

论文三：Think Diverse——用"扰动"逼出真正的多样性

Think Diverse（arXiv:2502.11027）指出：光靠调温度制造多样候选，往往只是措辞不同、思路相同。它主张基于扰动的多样性（perturbation-based diversity）：给不同候选注入不同的角色、指令风格与代码风格提示。

对应模块 v3-service/stages/div_sampling.py 内置了一个 12 类扰动库：4 种专家角色 + 4 种思考策略改写 + 4 种代码风格（functional / pythonic / 迭代优化 / 结构化）。3 个候选各领一份不同扰动，再叠加 PlanSearch 的约束差异，候选池的多样性就从"温度差异"升级为"思路差异"。

论文四：s1——Budget Forcing，给思考设定 token 预算

Muennighoff 等人的s1: Simple Test-Time Scaling提出了一个极其实用的技巧：用一个特殊的预算 token 序列强制模型思考指定长度，从而显式控制推理深度。

ATLAS 在 v3-service/stages/budget_forcing.py 中把它做成了 5 档预算阶梯：

档位如何选？由 Geometric Lens 的归一化能量值（0–1）映射——能量越低说明越有把握，预算越小。这让"算力花在刀刃上"从口号变成了可配置的数值规则。

论文五：CodeT——让模型自己出考卷，再批改自己的答卷

Chen 等人 2022 年的CodeT: Code Generation with Generated Tests（ICLR 2023）开创了"自生成测试"范式：模型没有外部测试可用时，先针对题目描述独立生成输入/输出用例，再用这些用例验证和修复自己的代码。

这条思想支撑了 V3 流水线的 Phase 3 修复链路：

• 自测生成：v3-service/stages/self_test_gen.py 让模型独立推导出测试用例；
• PR-CoT 修复：v3-service/stages/pr_cot.py 拿着失败输出 + 自测用例，做链式思维定位根因并产出修复版本，修复后再过一遍自测才算数；
• 沙箱验证：sandbox/executor_server.py 在隔离环境里真正编译、运行，而不是让模型"口述"结果。

消融数据显示，PR-CoT 修复贡献了 Phase 3 全部救回案例的85.7%，是自生成测试路线价值的最直接证据。

论文六：EWC——评分器升级时，别忘了它以前学过的东西

前面五篇管"怎么生成更好的代码"，第六篇管"怎么让评分器自己进化"。

ATLAS 的 Geometric Lens 用两个小网络给候选打分：C(x) 成本场（MLP）和 G(x) 质量预测（XGBoost）。当用户通过atlas lens retrain用自己项目的工作负载重新训练 C(x) 时，经典风险是灾难性遗忘——新域学会、旧域忘光。

Kirkpatrick 等人 2017 年 PNAS 论文Overcoming Catastrophic Forgetting in Neural Networks提出的EWC（弹性权重巩固）就是解法：给对旧知识重要的权重加对角 Fisher 惩罚，新数据照常学，旧知识锚住。实现在 geometric-lens/geometric_lens/ewc.py，配合按域分层的 replay_buffer.py（从每个历史域回放代表性通过/失败样本），让 Lens 可以跨领域持续进化而不推倒重来。

六篇论文如何协同：一次请求的完整旅程

单独看每篇论文都是技巧，串起来才是一个系统。当你用atlas命令提出"帮我写一个贪吃蛇小游戏"时，后台发生的事是：

1. PlanSearch抽取约束集、产出 3 个思路互异的解法计划；
2. DivSampling为每个候选注入不同角色与风格扰动；
3. Budget Forcing按 Lens 能量值给每个候选分档思考预算；
4. Geometric Lens对候选逐个打能量分，选出最低能量者；
5. 全部失败时，PR-CoT + 沙箱用自生成测试迭代修复；
6. 若 Lens 需要跟进你的代码风格，EWC + 回放缓冲保证它学新不忘旧。

每一环节在终端侧栏都可见——这就是"把论文翻译成工程"的直观结果：论文里的每个组件都有对应的运行日志、遥测文件和配置文件段。

延伸阅读：从论文清单到源码地图

• 全部研究来源及状态分级：docs/SOURCES.md
• 分阶段消融实验方法与结果：docs/reports/V3_ABLATION_STUDY.md
• 系统整体架构（Proxy / V3 Pipeline / Lens / 沙箱）：docs/ARCHITECTURE.md
• 逐任务评测原始数据：docs/reports/ablation/README.md
• V3 各阶段实现目录：v3-service/stages/

小结：论文是砖，工程才是房子

ATLAS 的价值不在于引用了多少论文，而在于它把 6 篇方向各异的研究成果——重复采样、规划即搜索、扰动多样性、预算强制、自生成测试、弹性持续学习——逐一翻译成了可配置、可消融、可回滚的工程模块，并且诚实标注了哪些组件已被废弃（Confidence Router、PageIndex 索引器都已下线）或已被撤回验证。对新用户来说，这份"论文 → 代码"的映射就是理解整个系统最快的地图：先读 docs/SOURCES.md，再顺藤摸到 v3-service/stages/ 里对应的实现，研究如何落地就一目了然了。

【免费下载链接】ATLASAdaptive Test-time Learning and Autonomous Specialization项目地址: https://gitcode.com/gh_mirrors/atlas112/ATLAS