AI Agent

Hallucination to Consensus: Multi-Agent LLMs for End-to-End JUnit Test Generation

幻觉到共识：多智能体LLM用于端到端JUnit测试生成

Qinghua Xu, Guancheng Wang, Lionel Briand, Kui Liu

专题命中 软件智能体 ：agent(title)；multi-agent(title)；分类 cs.SE

AI总结 本文提出CANDOR框架，通过多智能体协作生成Java单元测试，利用共识策略减少幻觉并提升Oracle准确性，实验表明其在代码覆盖率和突变得分上优于现有方法。

AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

AutoSAM：一种用于自动化生成SAM代码输入文件的代理框架，结合多模态检索增强生成

Zaid Abulawi, Zavier Ndum Ndum, Eric Cervi, Rui Hu, Yang Liu

机构 * Department of Nuclear Engineering, Texas A\&M University. ； Engineering Division, Argonne National Laboratory 纠错

专题命中 软件智能体 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.LG

AI总结 AutoSAM通过多模态检索增强生成技术，自动化生成SAM代码输入文件，解决异构工程文档中提取设计数据并转换为求解器语法的难题，实现100%结构化输入利用和88%PDF文本提取。

Comments 34 Pages, 14 Figures

See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis

查看并修复缺陷：通过代理数据合成使VLMs和扩散模型能够理解视觉缺陷

Jaehyun Park, Minyoung Ahn, Minkyu Kim, Jonghyun Lee, Jae-Gil Lee, Dongmin Park

机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学） ； KRAFTON 纠错

专题命中 软件智能体 ：agentic(title)；agent(abstract)；分类 cs.AI

AI总结 本文提出ArtiAgent，通过代理数据合成生成真实与带缺陷图像对，有效减少视觉缺陷，提升模型对视觉缺陷的理解能力。

Decentralized Task Scheduling in Distributed Systems: A Deep Reinforcement Learning Approach

分布式系统中的去中心化任务调度：一种深度强化学习方法

Daniel Benniah John

专题命中 软件智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于深度强化学习的去中心化多智能体框架，用于解决异构分布式系统中的任务调度问题，通过轻量级架构提升效率与资源利用率。

Comments 12 pages, 8 figures. Under review. Code available at GitHub

The Kitchen Loop: User-Spec-Driven Development for a Self-Evolving Codebase

厨房循环：用户驱动的自演化代码库开发

Yannick Roy

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI、cs.SE

AI总结 本文提出厨房循环框架，通过统一信任模型实现自主演化软件，包含规范表面、用户模拟、不可战胜测试和漂移控制，验证两个生产系统285+次迭代，产生1,094+合并请求且无回归。

Factors Influencing the Quality of AI-Generated Code: A Synthesis of Empirical Evidence

影响人工智能生成代码质量的因素：一项经验证据的综合分析

Vehid Geruslu, Zulfiyya Aliyeva, Eray Tüzün

机构 * Queen’s University Belfast（贝尔法斯特女王大学） ； Azerbaijan Technical University（阿塞拜疆技术大学） ； MilliSoft MMC Corporation（MilliSoft MMC公司） ； Bilkent University（比尔肯特大学） 纠错

专题命中 软件智能体 ：workflow(abstract)；分类 cs.AI、cs.SE

AI总结 本研究综合现有经验证据，分析影响人工智能生成源代码质量的因素，并探讨这些因素在不同评估情境下的影响。

Emergent Formal Verification: How an Autonomous AI Ecosystem Independently Discovered SMT-Based Safety Across Six Domains

涌现形式验证：自主AI生态系统如何在六个领域独立发现基于SMT的安全性

Octavian Untila

机构 * Aisophical SRL 纠错

专题命中 软件智能体 ：AI agent(abstract)；分类 cs.AI、cs.SE

AI总结 自主AI生态系统在无显式形式方法指令下，独立在六个AI安全领域发现SMT求解器的应用，提出统一框架实现100%准确验证。

Comments 10 pages, 3 figures, 5 tables. Code: https://github.com/octavuntila-prog/substrate-guard. Companion paper: https://doi.org/10.5281/zenodo.19157571

Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection

超光谱轨迹图像用于多月轨迹异常检测

Md Awsafur Rahman, Chandrakanth Gudavalli, Hardik Prajapati, B. S. Manjunath

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.LG

AI总结 本文提出TITAnD方法，将轨迹异常检测转化为视觉问题，通过超光谱轨迹图像统一稀疏和密集轨迹表示，实现高效的多月异常检测。