深度分析
前瞻式壓縮與庫學習：Pattern Builder Task（PBT）顯示人類偏好可壓縮未來的抽象
本研究在可重構的視覺程式合成任務（Pattern Builder Task）中檢驗人類如何逐步建立可重用的抽象（helpers），並與多種計算模型比較。透過兩種不同的潛在課程設計，作者拆解回溯式壓縮、誘導性偏差與前瞻式生成推理三種原理，發現人類在非定常任務生成過程下傾向選擇能壓縮未來任務的抽象。
深度分析
本研究在可重構的視覺程式合成任務（Pattern Builder Task）中檢驗人類如何逐步建立可重用的抽象（helpers），並與多種計算模型比較。透過兩種不同的潛在課程設計，作者拆解回溯式壓縮、誘導性偏差與前瞻式生成推理三種原理，發現人類在非定常任務生成過程下傾向選擇能壓縮未來任務的抽象。
深度分析
隨著大型轉換模型在程式合成上展現高效能，研究以算術文法構建可控測試環境，指出多樣化語意與語法抽樣可提升外部分布表現，且純轉換模型在語法外推時跌超30%。研究亦發現，隨算力指數增長，效能提升僅呈對數線性關係，暗示僅靠規模擴大無法突破外推瓶頸。