专题演讲嘉宾：赵鹏

当前 AI 编程领域正迎来重大变革。传统的 FIM（填充中间）模式已无法满足开发者对复杂编辑操作的需求，AI 编程助手亟需从单一续写能力升级为支持增、删、改全面操作的 NES（下一代编辑与抑制）模型。本次演讲我将系统介绍我们如何通过“全文重写”方案实现 NES 能力，并突破高性能推理、训练数据构建与模型优化等关键技术难题。我们将重点分享 SP Edit 推理方案如何实现 1000+tokens/s 的生成速度，以及如何融合静态代码与动态日志数据构建训练集。此外，针对训练中遇到的回滚、能力冲突等典型问题，我们提出基于 DPO 和 SFT 的优化策略。最后，通过 IDE 回放与 LLM 评测相结合的评估体系，验证 NES 模型的实际效果，并展望其与 Agent 协同工作的未来方向。

演讲提纲

1.  背景与模型演进

• AI Coding 需求升级：从 FIM 到 NES
• FIM 与 NES 的效果对比与案例展示
• 单行补全与 NES 的冲突与融合
• NES 模型的输入输出设计与 IDE 协作方式

2. 推理方案与性能优化

• 全文重写 vs. 定点编辑的权衡
• sp edit 推理方式与性能优化（1000 token/s）
• 效果对比与落地案例

3. 数据构建与迭代

• 单行补全扩充方案
• 基于 PR 的数据构建方式
• 日志驱动的动态数据收集    

4. 模型训练与优化实践

• SFT 提升 NES 基础能力
• DPO 针对 bad case 的优化策略
• GRPO 规则设计与能力扩展

5. 评测与反馈机制

• IDE 回放策略与真实场景评测
• EM 强对比与 LLM 评测结合

6. 未来展望

• NES 与 Agent 的竞争与合作
• Agent + NES 的 AI Coding 最佳实践

您认为，这样的技术在实践过程中有哪些痛点？

• 数据构建成本高
• 模型输出样式冗余度高
• 跨文件编辑能力不足

演讲亮点

• 相较于单行和 NES 共存方案，此方案复杂度和灵活性更高
• 相较于位点预测 + 区域修改，我们推理能支持全文重写，同时通过 Special Token 设计可以控制模型输入输出时间

听众收益

• NES 成熟实现方案，完整设计思路
• 行业的新动向