微信小程序代码生成模型

课题背景： 微信小程序具备独立完整的应用开发生态，其语言、框架、组件及 API 与标准 Web 开发差异显著。现有通用大模型在该领域适配性不足，难以严格遵循小程序开发规范与最佳实践，生成代码的编译通过率、功能可用性、交互体验等无法满足生产要求。本课题旨在突破通用模型能力边界，构建深度理解小程序开发逻辑与应用场景的代码生成模型，将小程序的创造推向普通用户。 课题挑战：

1. 01

   大规模强化学习训练构建难度高，需集成编译器、runtime、云环境搭建训练沙箱；RLVR 与运行环境深度融合，需解决长序列归因模糊、奖励信号稀疏、过程噪声干扰等细粒度奖励分配问题

2. 02

   代码 - 视觉 - 逻辑 - 偏好多模态多目标对齐复杂，需兼顾代码规则、业务逻辑、UI 交互与用户偏好，攻克多目标融合下训练不稳定、数据合成难、灾难性遗忘及跷跷板效应等难题

3. 03

   异步强化学习存在策略滞后、重要性采样不稳问题，需设计修正算法，在保证训练稳定的前提下提升数据与算力利用效率 具体工作： 开展强化学习、多目标与多模态融合、策略滞后修正等前沿研究，通过理论建模与算法创新，优化重构训练体系，解决奖励分配低效、训练不稳定、数据与算力效率低等核心问题。

1. 01

   包含但不限于计算机、人工智能、自动化、软件工程、统计学、应用数学等专业博士和优秀硕士，具备优秀科研素养，有顶会论文发表者优先。

2. 02

   熟练使用 Python/C++，在大模型、强化学习、多模态等方向有扎实研究基础，熟悉代码生成，了解小程序生态者优先。

3. 03

   具备良好沟通协作、工程落地与抗压能力，自驱力强，能够在复杂业务场景中独立定义问题并推进落地。