文章总结与翻译一、主要内容本文针对大型语言模型（LLMs）生成Verilog代码时功能正确性不足的问题，提出了一种三阶段训练无关框架VFocus。该框架通过聚焦LLM在代码生成关键决策点的推理过程，提升硬件描述语言（HDL）生成质量，具体包括：预排序阶段：通过LLM提示生成多个代码候选，引入重试机制确保语法有效性，并提出密度引导过滤（Density-guided Filtering）策略，筛选出处于“推理甜点区”（既不过度简短也不过度冗长）的候选代码，提升后续排序的样本质量。排序阶段：利用自动生成的轻量级测试台对候选代码进行仿真，基于自一致性聚类（self-consistency-based clustering）识别行为最一致的候选集，通过定义排序分数筛选最优聚类。后排序优化阶段：挖掘顶尖候选代码的簇内和簇间不一致性，通过推理增强提示（reasoning-augmented prompts）引导LLM针对性修正代码，同时引入早停机制避免无效计算。实验在VerilogEval-Human基准测试上验证，VFocus在Deepseek-R1、o3-mini、QwQ-32B等推理型LLM上显著提升pass@1正确率，尤其在时序电路任务中表现突出，且无需依赖人工编写测试台，具备良好的可扩展性。二、创新点提出三阶段聚焦推理框架，在代码生成的预排序、排序、后排序全流程强化LLM的推理聚焦
文章总结与翻译一、主要内容本文针对大型语言模型（LLMs）生成Verilog代码时功能正确性不足的问题，提出了一种三阶段训练无关框架VFocus。该框架通过聚焦LLM在代码生成关键决策点的推理过程，提升硬件描述语言（HDL）生成质量，具体包括：预排序阶段：通过LLM提示生成多个代码候选，引入重试机制确保语法有效性，并提出密度引导过滤（Density-guided Filtering）策略，筛选出处于“推理甜点区”（既不过度简短也不过度冗长）的候选代码，提升后续排序的样本质量。排序阶段：利用自动生成的轻量级测试台对候选代码进行仿真，基于自一致性聚类（self-consistency-based clustering）识别行为最一致的候选集，通过定义排序分数筛选最优聚类。后排序优化阶段：挖掘顶尖候选代码的簇内和簇间不一致性，通过推理增强提示（reasoning-augmented prompts）引导LLM针对性修正代码，同时引入早停机制避免无效计算。实验在VerilogEval-Human基准测试上验证，VFocus在Deepseek-R1、o3-mini、QwQ-32B等推理型LLM上显著提升pass@1正确率，尤其在时序电路任务中表现突出，且无需依赖人工编写测试台，具备良好的可扩展性。二、创新点提出三阶段聚焦推理框架，在代码生成的预排序、排序、后排序全流程强化LLM的推理聚焦
