一句话看懂：arXiv 上一项新研究提出 SGAnalog，用 273 个来自 Tiny Tapeout 开源流片的模拟电路设计，测试大模型能否真正从原理图还原网表并完成器件尺寸设计，结果显示最强模型仅达 56.1% 精确同构。
事件核心：发生了什么
2026 年 10 月 7 日，arXiv cs.AI 收录论文 SGAnalog，作者构建了一个端到端模拟集成电路基准。数据来自与 Tiny Tapeout 制造穿梭相关的、人工设计的开源电路，每个源文件都取其提交至穿梭时的修订版本，并在固定容器环境中处理。该集合包含 273 个拓扑结构不同的顶层设计，流水线从同一源文件导出原理图图像和 SPICE 网表，使转录任务有精确的结构参考。基准主要评估两项任务：原理图到网表的转录，以及器件尺寸设计。在 66 个固定转录任务上，七个模型中最强者达到 56.1% 的精确图同构，且七个模型中有六个从小规模到中等规模任务时性能急剧下降。对一个前沿模型，去掉作者标注会降低精确匹配，但总体结构 F1 基本保持，说明标签可能帮助连接关系追踪。在 17 个尺寸设计任务上，领先模型对全部 17 个提案都收敛，并以 91.2 分（满分 100）接近人类参考；而两个最新的 Claude 模型对同样提示分别拒绝 4 个和 11 个，尽管它们在转录任务中并未拒绝。无尺寸的提案得零分。两项任务给出不同的模型排名，显示视觉能力与设计能力并不同步，也暴露了某一模型家族的政策限制而非能力上限。
为什么重要
模拟电路设计长期依赖专家经验和专有工具，公开且可复现的评测基准很少。SGAnalog 的价值在于把评测锚定在真实流片修订版、统一容器环境和作者测试台上，从而能追问两个关键问题：模型是否学到了可迁移的电路技能，而不是记住相似例子；以及输出在指定工艺和测试条件下是否可用。目前公开信息显示，这项研究对 AI 辅助 EDA、大模型多模态理解硬件图纸、以及开源芯片生态都有参考意义。它同时提醒行业，当前最强模型在精确结构还原上仍远未可靠，尺寸设计的排序也和转录排名不一致，单一榜单难以概括模型在硬件任务上的真实水平。
对用户/开发者/创作者的影响
对模拟 IC 工程师和 EDA 开发者，这个基准提供了一套可回溯到具体提交版本的开源测试集，便于在本地比较不同大模型或自研模型的原理图理解能力。对使用大模型辅助电路转录的团队，60% 左右的精确同构意味着一半以上的输出仍需人工核对，不能直接进入流片流程。对模型厂商，尺寸设计中的拒绝行为值得注意：某些安全策略可能在工程提示下触发，影响 API 在专业场景的可用性，需要区分是能力不足还是政策过滤。对创客和 Tiny Tapeout 参与者，自己的公开设计可能被纳入此类基准，提交修订记录和测试台会变得更有价值。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是看 SGAnalog 是否将代码、容器环境和任务划分完全公开，以及能否被社区复现；二是关注后续模型在精确图同构上的提升速度，以及是否出现专门针对网表结构的微调方案；三是观察模型厂商是否调整安全策略，使专业硬件提示下的拒绝率下降。目前信息仅来自论文摘要，尚未核验全文实验，也不代表已有产品落地。
来源：arXiv cs.AI
