10月26日，电子设计自动化厂商Cadence发布了一套名为Maestro的模型组合。它不对外零售，也不做成通用聊天入口，而是专门供自家那批芯片设计智能体调用，包括ChipStack、InnoStack、AuraStack与ViraStack。官方给出的初期结果是对比通用基础模型，结果质量最高提升30%，同等任务下的词元效率最高提升5倍。首批模型将在2026年第四季度向部分早期客户开放。
芯片设计的工作形态很特殊。工程师要在成本、性能、功耗几个互相拉扯的目标下安排海量晶体管，EDA软件负责把设计意图变成可验证的版图与网表。一个智能体要在这里干活，得先理解设计目标，把它拆成步骤，再操作具体的工具，最后读懂工具吐出来的报告。
通用模型在这条链路上有两处不匹配。一是它不懂工具的输入格式，容易生成看似合理但语法错误的约束文件；二是它无法判断结果好坏，因为没有可对照的真值。于是智能体经常停在"看起来做完了"的状态，工程师还得逐条复核，省下的时间又被校验吃掉。
Cadence的解法是把模型与工具绑在一起。Maestro由三部分组成：经过后训练的大语言模型、专门训练的决策模型，以及一套会自我改进的智能体技能。三者的分工是，语言模型负责理解与规划，决策模型负责在参数空间里选点，技能库负责把常见操作固化成可复用的动作。
这个思路并不新，难点在执行。要让模型学会用工具，先得把为人类设计的界面改造成智能体能调用的接口。Cadence在发布前的沟通中承认，这一步花了不少工程力气，因为很多操作在图形界面里是拖拽与点选，没有对应的命令。
官方的表述是"对比通用基础模型，结果质量最高提升30%，词元效率最高提升5倍"。这两个数字都需要配合口径来读。发布材料没有说明测试了哪些设计、基线用的是哪个通用模型、质量如何评分，也没有第三方复核。
词元效率这一项的因果比较清楚。传统做法是让语言模型把整段推理写出来，包括如何设置约束、如何权衡时序与面积，再让工具去执行。Maestro的做法是让智能体直接调用Cadence的工具，把"算"的部分交给确定性求解器，模型只负责决定调哪一个、按什么顺序调、结果不对时怎么改。省下来的正是那些本不该由语言模型承担的计算。
质量提升的来源则更多依赖反馈闭环。Cadence的工具能在时序、功耗、设计规则等维度给出确定判定，这些判定被当作奖励信号喂回训练。用公司自己的话说，是把强化学习建立在EDA工具与确定性求解器的反馈上。英伟达工业与计算工程副总裁Tim Costa的表态也指向这一点：让智能体根据工作是否满足工程目标与约束来学习决策。
这类闭环只有在工具所有者手里才跑得动。外部团队可以调用工具，但拿不到大规模rollout所需的许可与数据；工具所有者可以用自家设计师与历史项目做零边际成本的反复试跑。稀缺的不是算力，而是能自动给智能体打分的裁判。
强化学习最难的一环是奖励设计。通用任务里，"做得好不好"往往要靠人评，成本高且不稳定。芯片设计恰好是少数可以被确定性验证的领域：仿真与签核会给出明确的通过或不通过，时序是否收敛、功耗是否达标、规则是否违反，都有客观答案。
这意味着奖励信号可以自动化、可以大规模复制。Cadence把智能体的输出送进工具，工具返回的分数与违规项构成反馈，模型据此调整下一轮决策。整个过程不需要人参与评分，只需要人设定目标函数。业界把这类指标统称为结果质量，它不是一个单一分数，而是时序余量、功耗、面积与可布线性之间的一组权衡。同一份设计在不同目标函数下会得到完全不同的最优解，所以评分器不仅要能判对错，还要能表达取舍。
副作用是模型会过度适配工具的判定口径。工具能测的指标会被优化得很好，工具测不到的东西，比如可制造性上的隐性经验、版图工程师的直觉判断，可能被忽略。这一点在发布会上没有被讨论，但在真实项目里会逐渐显现。这条经验在自动化设计的历次尝试里反复出现过。通常的缓解办法是保留人工评审节点，把模型输出当作候选方案而不是最终方案。
Maestro可以在Cadence云、公有云或客户自有环境运行。选择本地部署的企业，可以把智能体、模型与设计工具整套留在防火墙内，并用自家的设计数据与工作流对模型做后训练。Cadence称这部分定制更多以托管服务的形式提供，而不是让客户自己动手。
这个选择直接对标了竞争对手。新思科技在9月30日宣布与OpenAI共同开发GPT-Synopsys，运行在OpenAI托管的基础设施上，并按收入分成。两条路线的分野不在模型强弱，而在设计数据的流向。一颗未发布处理器的版图是公司最核心的资产之一，能不能让它在第三方机房之外训练，往往比多几分准确率更能决定采购。
Cadence的模型组合里确实用了英伟达的开放权重Nemotron，也接入了英伟达的OpenShell智能体安全架构，但公司强调并不只用英伟达的模型。负责人的说法是，模型供应商比EDA厂商多得多，开放权重与闭源两条路会并行推进，与商业模型厂商的合作也在规划中。智能体在执行时会按任务把每一步路由给Maestro、前沿闭源模型或开放权重模型，取成本与效果的交点。
已公开的客户案例是日本的Socionext，它把InnoStack放进了量产物理设计流程，其首席运营官给出的预期是生产力最多提升5倍。这是客户的期望值，不是实测结果。同一天发布的三季报里，核心EDA收入同比增长20%，系统设计与分析收入增长30%。这些数字说明需求存在，但不足以证明30%的质量提升能稳定复现。