大卫与歌利亚：小型模型能否通过代理AI在硬件设计中胜出？
David vs. Goliath: Can Small Models Win Big with Agentic AI in Hardware Design?
AI总结：
本研究探讨小型语言模型结合代理AI在硬件设计中的应用，证明其在成本效率和性能上的优势。
摘要：
大型语言模型（LLM）推理需要大量计算和能源，使得特定领域任务变得昂贵且不可持续。随着基础模型不断扩展，我们提出问题：在硬件设计中，更大是否总是更好？我们的工作通过评估小型语言模型与经过精心挑选的代理AI框架结合在NVIDIA的综合Verilog设计问题（CVDP）基准上的表现来测试这一点。结果表明，代理工作流程：通过任务分解、迭代反馈和纠正——不仅在成本仅为传统方法一小部分的情况下解锁接近LLM的性能，还为代理创造了学习机会，为复杂设计任务中的高效、自适应解决方案铺平了道路。
英文摘要：
Large Language Model(LLM) inference demands massive compute and energy, making domain-specific tasks expensive and unsustainable. As foundation models keep scaling, we ask: Is bigger always better for hardware design? Our work tests this by evaluating Small Language Models coupled with a curated agentic AI framework on NVIDIA's Comprehensive Verilog Design Problems(CVDP) benchmark. Results show that agentic workflows: through task decomposition, iterative feedback, and correction - not only unlock near-LLM performance at a fraction of the cost but also create learning opportunities for agents, paving the way for efficient, adaptive solutions in complex design tasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
