代码大模型 / AI 编程

TestExplora: Benchmarking LLMs for Proactive Bug Discovery via Repository-Level Test Generation

TestExplora: 通过仓库级测试生成对LLMs进行主动bug发现的基准测试

Steven Liu, Jane Luo, Xin Zhang, Aofan Liu, Hao Liu, Jie Wu, Ziyang Huang, Yangyu Huang, Yu Kang, Scarlett Li

机构 * Microsoft（微软公司） ； School of ECE, Peking University（北京大学电子工程学院） ； Tsinghua University（清华大学） ； Chinese Academy of Sciences（中国科学院） 纠错

专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.SE、cs.CL

AI总结 TestExplora通过仓库级测试生成评估LLMs在主动bug发现中的能力，揭示了当前模型在复杂交互和代理探索方面的不足。

Toward Linking Declined Proposals and Source Code: An Exploratory Study on the Go Repository

迈向衰减提案与源代码的关联：对Go仓库的探索性研究

Sota Nakashima, Masanari Kondo, Mahmoud Alfadel, Aly Ahmad, Toshihiro Nakae, Hidenori Matsuzaki, Yasutaka Kamei

专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.SE

AI总结 本研究首次尝试建立被拒绝的贡献与源代码之间的追溯性链接，通过LLM驱动的流水线实现了高准确率的链接生成，并分析了影响链接生成的因素。

Comments 11 pages, MSR2026 Technical Track

Information-Theoretic Causal Bounds under Unmeasured Confounding

信息论视角下的未测量混杂因素下的因果界限

Yonghan Jung, Bogyeong Kang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种信息论框架，通过数据驱动的方法在未测量混杂因素下实现因果效应的精确识别，无需外部参数或假设。

Git Takes Two: Split-View Awareness for Collaborative Learning of Distributed Workflows in Git

Git需要两个人：用于协作学习分布式工作流的分屏意识

Joel Bucher, Lahari Goswami, Sverrir Thorgeirsson, April Yi Wang

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 GitAcademy通过分屏协作模式帮助新手学习Git的分布式工作流，提升协作意识和社交存在感。

Comments First two authors contributed equally

Satellite-Based Detection of Looted Archaeological Sites Using Machine Learning

基于卫星的考古遗址盗掘检测使用机器学习

Girmaw Abebe Tadesse, Titien Bartette, Andrew Hassanali, Allen Kim, Jonathan Chemla, Andrew Zolli, Yves Ubelmann, Caleb Robinson, Inbal Becker-Reshef, Juan Lavista Ferres

机构 * Microsoft AI for Good Research Lab（微软AI for Good研究实验室） ； Iconem ； Planet Labs PBC（Planet Labs公司） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 利用机器学习和卫星图像检测考古遗址盗掘，通过CNN和传统ML方法对比，实现高精度识别

Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents

基于LLM代理的ROS 2系统层次结构架构建模与恢复

Mohamed Benchat, Dominique Briechle, Raj Chanchad, Mitbhai Chauhan, Meet Chavda, Ruidi He, Dhruv Jajadiya, Dhruv Kapadiya, Nidhiben Kaswala, Daniel Osterholz, Andreas Rausch, Meng Zhang

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文提出基于UML的ROS 2系统层次结构架构建模方法，并结合LLM代理实现从代码和配置文件中自动化恢复架构模型，提升系统可靠性。