电力系统代码生成的知识边界探测与按需干预

01 摘要

事实：作者发布PowerCodeBench（面向pandapower的2000任务冻结套件），并提出包含L0-L3探测、查询侧需求估计与执行反馈修复的部署期工作流，不更新模型权重。事实：在1.5B-480B的十个开源权重模型和四个中端API上，启用验证的工作流经最多三轮修复后，标量匹配准确率相较无辅助首轮提升32-56个百分点；选择性注入以41%提示词元接近全层参考。作者观点：这类探测与按需干预可用于诊断、模型比较、文档分配和后端校准，并支持从冷启动广泛检索逐步过渡到校准后的选择性注入。

02 关键点

1. 发布PowerCodeBench：面向pandapower的2000任务冻结基准，并配套L0-L3文档驱动探测以形成逐模型API画像。
2. 部署期工作流不更新权重：查询侧需求估计选择分层API证据，执行反馈用于定向修复。
3. 在十个开源权重模型（1.5B-480B）与四个中端API上，启用验证的工作流经最多三轮修复将标量匹配准确率提高32-56个百分点；70B-120B开源模型在无工具条件下达到四厂商中端API准确率区间。