SFS：更智能的代码空间搜索改进 LLM 推理扩展

基于摘要分析。本文研究 LLM 代码生成中的推理扩展，将候选代码的生成与筛选视为代码空间中的黑箱优化问题，提出 SCATTERED FOREST SEARCH（SFS），通过提高进化搜索中的解多样性，减少陷入局部最优的风险。 核心机制是以优化视角组织代码空间搜索，而非仅增加文本采样次数。作者称理论分析支持其探索能力与效率优势，但摘要未给出搜索状态表示、候选变异与选择规则、评价信号或具体理论假设，相关机制仍需全文核对。 作者报告在 HumanEval、MBPP、APPS、CodeContests 和 Leetcode 上开展实验。其中，HumanEval+ 的 pass@1 为 67.1%；使用 GPT-3.5 时，HumanEval 的 pass@1 为 87.2%。摘要称两者相较其所称的最先进方法分别提升 8.6% 和 4.3%，但未说明这是相对百分比还是百分点，也未列明对应基线，不能据此换算。作者还报告找到正确解所需的迭代次数减半，并称其扩展效率优于 tree search、line search 和 repeated sampling（Best of N）；这些结论对应的模型、预算及停止条件尚未验证。 复现时需核对候选代码的评估方式、搜索预算、迭代成本与总模型调用成本是否一致，以及 pass@1 的具体计算协议。实验协议、消融及统计信息尚未验证。本文的直接研究对象是代码生成搜索，并非 EEG 解码或 BCI；材料未提供与神经信号建模的具体机制对应，因此不据此推断 BCI 增益，已有 EEG 相关工作也尚未检索确认。