다음 단계가 단 한 단계가 아닐 때: 동시성 Go 프로그램을 위한 분포 인식 실행 모델링 (Distribution-Aware Execution

동시성 프로그램 (concurrent program)에서 다음 단계를 예측하는 모델을 훈련시키는 것은 보기보다 어렵습니다. 스케줄러 (scheduler)가 비결정론적 (nondeterministic)이기 때문에, 동일한 트레이스 접두사 (trace prefix)로부터 동일한 프로그램을 두 번 실행하더라도 둘 다 유효한 서로 다른 다음 이벤트 (next events)가 발생할 수 있습니다. 단일 레이블 (single label)을 대상으로 훈련된 모델은 무작위 프로세스 (random process)의 하나의 결과만을 추측하는 법을 배우게 됩니다. 우리는 이 상황을 반전시켜 비결정론성을 훈련 신호 (training signal)로 사용합니다. 우리는 각 프로그램을 여러 번 실행하고, 관찰된 다음 이벤트들을 경험적 분포 (empirical distribution)로 집계하며, KL 목적 함수 (KL objective)를 사용하여 해당 분포와 일치하도록 7B 모델을 미세 조정 (fine-tune)합니다. 실제 운영 환경의 Go 버그 (CockroachDB, Kubernetes, gRPC, etcd)에서 추출한 798개의 홀드아웃 예측 (held-out predictions)에 대해, 1,000개 미만의 트레이스 (traces)로 미세 조정을 수행했을 때 36.2%의 정확도에 도달했습니다. 이는 제로샷 (zero-shot)으로 사용된 Gemini 3.5 Flash (34.8%)와 미세 조정을 하지 않은 동일 모델 (28.6%)보다 앞선 수치입니다. 분포 훈련 (Distribution training)은 정확도 측면에서 교차 엔트로피 (cross-entropy)와 유사한 수준(35.8% 대 36.2%)을 보이면서도, 기대 교정 오차 (Expected Calibration Error)를 0.205에서 0.169로 감소시켰습니다. 또한 우리는 학습에 의한 것이 아니라 스케줄러 의미론 (scheduler semantics)에 의해 P(GoUnblock)=0이 성립하는 select-blocked 고루틴 (goroutine) 클래스에 대한 공식적인 고루틴 누수 (goroutine-leak) 시그니처를 도출했습니다. 우리는 데이터셋, 훈련된 어댑터 (adapters), 그리고 모든 툴링 (tooling)을 공개합니다.