论文导读
香港科技大学联合上海人工智能实验室、清华大学、南洋理工大学提出SciWalker，让AI按算子链自动出科学编程题，并用真实执行反馈筛选修复。他们造出8178道高质量题目，用GSPO训练后，Qwen3.5-9B在SciCode上的准确率从29.3%升到39.2%。科研编程的训练数据荒有了自动化解法。
想练科学编程，却没有题可刷
要让大模型做好科学计算编程，离不开高质量训练数据。但现实难题摆在那：靠人工出一道贴近真实科研的题，又贵又慢；想系统覆盖众多科学领域和算法组合，几乎不现实。结果就是模型在通用代码上表现不错，一到需要结合科学库和领域知识的题就容易卡壳。
团队的想法是让AI自己当出题人，但不能天马行空地编——编出来的题必须在真实科学计算中跑得通、有依据。
先画“算子图”，再让AI照着出题
SciWalker的做法分两步走。先做结构化的工作流设计：把科学计算库的接口和不同操作方式组合成一个个算子，算子之间连成图，再从图中采样算子链，作为一条计算流程的线索。
然后让大模型照着这些线索生成题目、参考解答和测试用例。关键在于执行反馈：生成的代码真的拿去跑，跑失败就带着报错信息反复修复。再配合结构化的工作流组合、验证和质量审查，最终题目既有科学依据、计算方式多样，又能保证可执行。
图：流程图展示算子组合、链式采样、题目生成与执行反馈修复的完整流水线。
8178道题，覆盖5领域32子域
用这套框架，团队构建了8178道高质量问题，横跨5个科学领域、32个子领域。下图给出题库的领域覆盖和构成，可以看到题目并非集中在单一方向，而是均衡分布在不同子域。
图：数据集构成图按领域和子域展示8178道题的分布情况。
为了验证这些题真能用来训练，团队在Qwen3.5-9B上用GSPO算法做强化学习。结果SciCode子问题准确率从29.3%提升到39.2%，提高9.9个百分点，增益还体现在科学代码生成、代码修复和推理等多个基准上。下图是SciCode性能对比，训练后的模型提升明显。
图：性能对比图给出训练前后及各基线在SciCode上的准确率数值。
未来落地：把出题能力变成可复用的基础设施
代码已经开源，意味着这套“算子图加执行反馈”的出题流程可以扩展到更多科学库和领域，为训练科研编程模型持续供数。相比人工标注，它把边际成本压到很低，同时用真实执行守住质量底线。
下一步可以引入更复杂的跨学科工作流、更难的长链条问题，并探索让模型在做题过程中反过来推动出题难度自适应。当“出题—训练—评测”形成自动闭环，科学计算模型的迭代速度有望明显加快。
