ARES：面向 RTL 优化的自适应推理强度调控

ARES 用成本核算与自适应推理强度改进 RTL 的 PPA 优化

资讯摘要

论文提出 ARES，一种用于 RTL 设计 PPA 优化的 LLM 智能体方法。作者引入每次 LLM 调用的归一化美元成本，与 FoM 一并报告；发现精心设计的长期记忆相比直接拼接经验并无可靠增益；改为按耐心计数器自适应提升推理强度，仅在低强度进展停滞时升级。在三个未见测试设计上，作者报告 FoM 降低 22–28%（Opus 4.6）和 18–34%（GPT-5.5）。

要点速读

1. 引入每次 LLM 调用的归一化美元成本，与 FoM 并列报告，便于跨推理强度和优化器公平比较
2. 作者发现工程化长期记忆相比同一经验的直接拼接没有可靠增益
3. 按耐心计数器自适应调整每次调用的推理强度，在三个未见设计上作者报告 FoM 较最佳固定强度进一步降低

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。