Resumen:La depuración es el costo dominante en la verificación de hardware moderna, donde las fallas de aserción se encuentran entre las más frecuentes y costosas de resolver. Si bien los modelos de lenguajes grandes (LLM) son prometedores, a menudo no logran capturar la experiencia precisa y reutilizable que aplican los ingenieros, lo que genera respuestas inexactas. Proponemos GROVE, un marco de gestión del conocimiento jerárquico que aprende y organiza la experiencia de depuración reutilizable en un árbol de conocimiento organizado por LLM para resolver fallas de aserción. GROVE destila el conocimiento de depuración de casos anteriores y lo organiza en un árbol vertical de profundidad configurable, en el que cada nodo codifica un elemento de conocimiento conciso y condiciones de aplicabilidad explícitas. Durante la capacitación, GROVE utiliza un bucle paralelo sin gradientes donde un LLM propone modificaciones del árbol como ediciones JSON estructuradas aprendiendo de los casos. En el momento de la prueba, se realiza un zoom iterativo teniendo en cuenta el presupuesto para navegar por el árbol, recuperando un pequeño conjunto de elementos de conocimiento aplicables que guían la generación de hipótesis de un LLM base y corrigen propuestas. Evaluado en un conjunto de casos de afirmación-fallo, GROVE ofrece ganancias consistentes en pass@1 y pass@5, lo que demuestra el valor de la evolución del conocimiento estructurado.
Publicado originalmente en export.arxiv.org el 25 de noviembre de 2025.
Ver fuente original
