无需重训的跨方言泛化：MLIR模式派生受限解码的基准与评估

多级中间表示（MLIR）是现代ML编译器基础设施（TensorFlow、JAX/StableHLO、PyTorch Inductor、IREE）的基础，但在代码LM预训练语料中只有痕量存在。MLIR还按设计可扩展：新方言随应用领域发布，因此每方言微调一个模型不可扩展。我们要问：从每个方言的操作定义规范（ODS）机械派生的推理时先验能否替代基于梯度的适配。第一，我们发布四个自然语言到MLIR的基准——MLIR-Spec-150、Linalg-Spec-30、StableHLO-Spec-30与StableHLO-Held-Out-200，跨三个方言共410个范围内的NL到MLIR对，外加25程序的语法外语料压力集与手工编写的n=30功能参考集，以Apache-2.0发布并附Gebru数据表与Croissant 1.0元数据。第二，我们构建三层模式派生约束栈：操作签名上的CFG（C1）、从ODS抽取的类型格导出的类型域拆分（C2）、驱动五次重试拒绝采样的SSA作用域验证器（C3）。从arith+func+memref+linalg移植到StableHLO无需新约束层代码。在验证器语义由结构约束主导的方言上，模式派生先验让SmolLM2-1.7B以8–25倍的每代生成速度匹敌或超过15B–34B代码LM：在linalg上，SmolLM2达80.0%验证通过（三种子均值，n=125），以21–44个百分点、不重叠置信区间胜过CodeLlama-34B、Granite-Code-34B与StarCoder2-15B。在arith+func与模板化参数化的StableHLO-Held-Out-200上——其验证器语义取决于属性值而非结构——同样的基线匹敌或超过SLM；我们把这些划为非赢格。基准、解码器、全部逐提示生成与可复现Docker镜像均已发布。