港大推出 PrismaCoder 模型與 2M 資料集，強化開放式多模態程式能力
香港大學 NLP Group 提出 PrismaForge 流程與 PrismaCoder-9B/35B 模型，透過分解式評分準則解決多模態程式資料品質問題，並發布目前最大的開放式多模態程式資料集 PrismaCoder-2M。
本文重點
- 港大推出 PrismaCoder 模型與 2M 資料集，強化開放式多模態程式能力。
- 發布目前最大的開放式多模態程式資料集 PrismaCoder-2M。
- Hugging Face 上沒有連結到這篇論文的公開模型或資料集。
- 本站上線
- 2026/10/26 上午04:17
- 首次報導
- 2026/10/14 上午08:00
- 最早來源發布
- 2026/10/14 上午08:00
研究在做什麼
多模態程式智慧（連結程式的符號世界與其執行後產生的視覺世界）旨在結合兩者。隨著模型越來越常被要求產出圖表、網頁、動畫和半結構化文件，這項能力受到關注。然而，目前先進的專有模型雖然能從文字描述或截圖產生互動式作品，但其訓練資料與方法仍不公開。開放式模型的進展受限於可用資料的數量與品質，其中品質更為關鍵，因為一個合格的樣本必須同時滿足三個條件：程式碼正確、架構良好，以及渲染後的視覺效果正確。現有的評估信號無法同時涵蓋這三者，例如執行結果通常只回報通過或失敗，程式碼相似度無法對應視覺輸出，而特定任務的驗證器則缺乏泛化能力。 Hugging Face 每日精選論文
方法
為了解決資料品質問題，研究團隊從資料端出發，提出了 PrismaForge，這是一個以合成評分準則為核心的階層式資料流程。該準則將上述因素分解為可檢查的標準。同一套準則同時作為過濾器和獎勵機制：先篩選監督學習語料庫，再驅動視覺編碼任務上的強化學習。透過 PrismaForge 進行資料合成與過濾，團隊建立了 PrismaCoder-2M，這是目前多樣性最高且規模最大的開放式多模態程式智慧資料集。 Hugging Face 每日精選論文
結果
在模型端，研究團隊基於上述資料訓練並釋出了 PrismaCoder-9B 和 PrismaCoder-35B 兩個模型。分析顯示，基於評分準則的流程能提升不同模型架構的多模態編碼效能。來源指出，這兩個模型在開放式模型中表現優異，並能與頂尖的專有系統相媲美。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-10-26 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 研究機構（Hugging Face 標示）：NLP Group of The University of Hong Kong
- 程式碼：QiushiSun/PrismaCoder｜41 顆星｜最後更新 2026-10-22｜授權 未標示
- 專案網頁：https://qiushisun.github.io/PrismaCoder-Home/
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集
來源：佐證 1 筆
媒體轉述新聞媒體的報導
- Hugging Face 每日精選論文 · PrismaCoder: Pushing the Boundaries of Open Multimodal Code Intelligence through Decomposed Rubric Synthesis10/14 上午08:00
這篇對你有用嗎？
登入會員後可以按反應與留言。登入
留言 0
- 還沒有留言。
留言公開顯示暱稱，不顯示你的真實姓名與信箱。含多個連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。