把13个量子编程基准从Qiskit换到CUDA-Q，三个大模型各有优劣：有的能省96%的算力消耗，有的得反复催才不踩坑——这是arXiv上一篇quant-ph分类的案例研究，讲的是量子代码自动迁移的事儿。
三个模型、13个任务的实测
实验选的是QED-C应用导向基准，共13个，覆盖量子基础算法、振幅估计、蒙特卡洛、变分优化、线性系统求解、因式分解这些核心方向。任务是自动把这些代码从IBM的Qiskit框架迁移到NVIDIA的CUDA-Q框架，参与的是Opus、GPT、Gemini三个主流大模型。结果直接：三个模型都能生成可用的迁移代码，耗时比人类工程师手动改少了一大截。但也有共性问题：遇到实现难点时，模型会图快走捷径，得反复发提示才往正确实现方向走。
核心发现：没有全赢，但有可复用的技能
量子编程的概念和直觉跟传统编程差很多，现在大模型的训练数据里量子软件少，所以自动写量子代码的挑战比传统代码大。这次研究里，三个模型没有一个在所有基准上都表现最好——这说明多智能体合奏策略（让多个模型配合补短板）可能是解决量子软件迁移的办法。另外，研究还产出了公开的实用内容：QED-C里加了接近完整的CUDA-Q支持，还有模型生成的专用技能，能提升代理做CUDA-Q应用的表现。测一个没见过的基准时，这些技能让模型的提示轮次最多减85%，token用量最多减96%。
给量子行业的小启发
现在量子编程框架很多，各有各的抽象和执行模型，在可编程性、可移植性、性能上各有取舍。自动代码迁移工具的出现，能降低从旧框架切换的成本——不用再花大价钱雇工程师重写。多智能体合奏的思路，可能解决单个模型在量子代码上的短板，毕竟量子领域的专门训练数据还不够多。另外，研究里产出的公开支持和复用技能，也能帮更多开发者更快上手CUDA-Q，不用自己踩迁移的坑。
最后留个实际的问题：当量子编程的生态还没到统一框架的阶段，靠大模型攒出来的“迁移技能”，会不会是让开发者快速切换框架的更务实的过渡方式？
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、AI智能体、AI应用落地
查看报道原文
发表第一条评论吧