ChiseLLM：释放推理大语言模型的强大力量，助力Chisel敏捷硬件开发

对领域专用架构 (DSA) 日益增长的需求推动了敏捷硬件开发方法学 (AHDM) 的发展。像 Chisel 这样的硬件构建语言 (HCL) 提供了高级抽象特性，使其成为基于 HCL 的 AHDM 的理想语言。尽管大语言模型 (LLMs) 在代码生成任务中表现出色，但在 Chisel 代码生成方面仍面临挑战，特别是在语法正确性和设计多样性方面。近期推理模型通过推理时缩放技术显著增强了代码生成能力。然而，我们发现没有进行领域适应的推理模型对于 Chisel 代码生成任务无法带来实质性益处。本文提出了 ChiseLLM，这是一个包含数据处理与转换、指令引导的推理轨迹合成以及领域适应的模型训练的解决方案。我们从公开的 RTL 代码资源中构建了高质量数据集，并通过指令增强方法引导模型采用结构化思维模式。实验表明，我们的 ChiseLLM-7B 和 ChiseLLM-32B 模型相对于基础模型，将语法正确性分别提高了 18.85% 和 26.32%，同时相对于基线推理模型，将设计多样性能力提高了 47.58%。我们的数据集和模型已公开可用，为基于 HCL 的 AHDM 提供了高性能、高成本效益的模型，并为未来的研究提供了有效的基线。Github 仓库：https://github.com/observerw/ChiseLLM