SciWalker：用算子图与执行反馈合成科学编程问题

提升大语言模型（LLM）的科学编程能力需要高质量训练数据，但这类数据仍然稀缺：人工编写贴近真实的问题成本高、耗时长，而系统性地覆盖多样的科学领域与算法组合也颇具挑战。为此，我们提出SciWalker，一个通过算子链采样与执行反馈来合成科学编程问题的框架。该框架将科学库接口与操作模式结合以实例化算子，把算子组织成算子图，并采样算子链作为计算工作流线索。在这些线索的引导下，我们采用LLM生成有科学依据的问题描述、参考解答和测试，失败的生成结果则借助执行反馈迭代修复。通过将结构化工作流组合与验证及质量审查相结合，SciWalker在实现可扩展任务生成的同时，保证了科学依据、计算多样性和可执行性。利用该框架，我们构建了覆盖5个科学领域、32个子领域的8,178个高质量问题。为评估其训练价值，我们使用GSPO算法在Qwen3.5-9B上进行强化学习，将SciCode子问题准确率提升9.9个百分点（从29.3%到39.2%），并在科学代码生成、代码修复和推理基准上均有增益。SciWalker的代码已开源。