代码大模型 / AI 编程

EARL: Entropy-Aware RL Alignment of LLMs for Reliable RTL Code Generation

EARL: 用于可靠RTL代码生成的熵感知强化学习对齐大语言模型

Jiahe Shi, Zhengqi Gao, Ching-Yun Ko, Duane Boning

机构 * MIT（麻省理工学院） ； IBM（国际商业机器公司） 纠错

专题命中 代码生成 ：code generation(title,abstract)；分类 cs.AI、cs.LG

AI总结 EARL通过熵感知强化学习提升Verilog代码生成的可靠性与准确性

Comments Accepted to DAC 2026

Pareto Optimal Code Generation

Pareto最优代码生成

Gabriel Orlanski, Nicholas Roberts, Aws Albarghouthi, Frederic Sala

专题命中 代码生成 ：code generation(title,abstract)；分类 cs.SE、cs.PL

AI总结 通过分阶段验证，ORMs在代码生成中实现更高的吞吐量，但牺牲了部分准确性。

Comments 29 pages, 6 figures, code released here: https://github.com/SprocketLab/orm-code-verifier

High-Fidelity And Complex Test Data Generation For Google SQL Code Generation Services

高保真与复杂测试数据生成用于谷歌SQL代码生成服务

Shivasankari Kannan, Yeounoh Chung, Amita Gondi, Tristan Swadell, Fatma Ozcan

机构 * Google（谷歌） 纠错

专题命中 代码生成 ：code generation(title,abstract)；分类 cs.LG

AI总结 本文提出利用LLM生成高保真测试数据，以提高复杂SQL代码生成服务的测试覆盖率和语义准确性。

A Problem-Oriented Perspective and Anchor Verification for Code Optimization

面向问题的视角与锚点验证用于代码优化

Tong Ye, Tengfei Ma, Xuhong Zhang, Hang Yu, Jianwei Yin, Wenhai Wang

机构 * Zhejiang University（浙江大学） ； Stony Brook University（石溪大学） ； AntGroup（蚂蚁集团） 纠错

专题命中 代码生成 ：code generation(abstract)；分类 cs.SE、cs.AI、cs.PL

AI总结 本文提出面向问题的视角与锚点验证框架，用于提升代码优化的正确性和效率，减少优化过程中的性能损耗。

Comments ICLR 2026

Enhancing LLM-Based Test Generation by Eliminating Covered Code

通过消除已覆盖代码增强基于LLM的测试生成

WeiZhe Xu, Mengyu Liu, Fanxin Kong

机构 * University of Notre Dame（诺丁汉大学） ； Washington State University（华盛顿州立大学） 纠错

专题命中 测试生成 ：unit test generation(abstract)；分类 cs.SE、cs.AI、cs.LG

AI总结 本文提出一种基于LLM的单元测试生成方法，通过上下文检索和迭代测试生成与代码消除，提升复杂方法的测试覆盖率。

Comments 9 pages, 4 figures, supplementary material included

AgenticTyper: Automated Typing of Legacy Software Projects Using Agentic AI

AgenticTyper: 使用代理AI自动类型化遗留软件项目

Clemens Pohle

机构 * Darmstadt University of Applied Sciences（达姆斯塔德应用技术大学） ； MaibornWolff GmbH（马本沃尔夫公司） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.SE、cs.AI、cs.PL

AI总结 AgenticTyper利用代理AI自动类型化遗留软件项目，通过迭代错误纠正和行为保留技术，高效解决类型错误问题。

Comments Accepted at ICSE 2026 Student Research Competition (SRC)

An Evaluation of Context Length Extrapolation in Long Code via Positional Embeddings and Efficient Attention

通过位置嵌入和高效注意力机制评估长代码中的上下文长度外推

Madhusudan Ghosh, Rishabh Gupta

机构 * Bosch Research and Technology Centre, Bangalore, India（博世研究与技术中心，班加罗尔，印度） 纠错

专题命中 代码评测 ：code generation(abstract)；分类 cs.SE、cs.AI

AI总结 本文通过位置嵌入和高效注意力机制评估长代码中的上下文长度外推，旨在提升代码生成任务的泛化能力。

Search or Accelerate: Confidence-Switched Position Beam Search for Diffusion Language Models

搜索或加速：基于置信度切换的位置束搜索用于扩散语言模型

Mingyu Cao, Alvaro H. C. Correia, Christos Louizos, Shiwei Liu, Lu Yin

机构 * University of Surrey（塞拉利昂大学） ； Qualcomm AI Research. Qualcomm AI Research is an initiative of Qualcomm Technologies, Inc.（高通人工智能研究） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

专题命中 代码评测 ：code generation(abstract)；分类 cs.CL、cs.AI

AI总结 SOAR通过置信度切换机制优化扩散语言模型的解码过程，提高生成质量并保持推理效率。

Comments 11 pages, 8 figures

Error Notebook-Guided, Training-Free Part Retrieval in 3D CAD Assemblies via Vision-Language Models

通过视觉-语言模型实现无训练的3DCAD装配体部件检索：基于错误笔记本的引导

Yunqing Liu, Nan Zhang, Zhiming Tan

机构 * Fujitsu Research & Development Center Shanghai, China（富士通研发中心上海） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.AI

AI总结 本研究提出一种无训练的3D CAD部件检索方法，通过结合错误笔记本与RAG技术，显著提升基于VLM的推理性能，实验显示在专有模型和开源模型上均取得显著效果。

Comments Accepted by ICLR 2026

Off-The-Shelf Image-to-Image Models Are All You Need To Defeat Image Protection Schemes

现成的图像到图像模型就是对抗图像保护方案所需的一切

Xavier Pleimling, Sifat Muhammad Abdullah, Gunjan Balde, Peng Gao, Mainack Mondal, Murtuza Jadliwala, Bimal Viswanath

机构 * University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

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

AI总结 现成的图像到图像模型可有效对抗图像保护方案，揭示其存在广泛漏洞，需建立更坚固的防御措施。

Comments This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML). The final version will be available on IEEE Xplore. To IEEE SaTML 2026

Detecting UX smells in Visual Studio Code using LLMs

使用LLMs检测Visual Studio Code中的用户体验问题

Andrés Rodriguez, Juan Cruz Gardey, Alejandra Garrido

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

AI总结 本文提出利用LLMs检测Visual Studio Code中用户体验问题的方法，通过分析用户报告的问题发现信息性、清晰性、直观性和效率是主要的用户体验问题所在。

Comments 4 pages, 2 figures, 1 table, 3rd International Workshop on Integrated Development Environments (IDE 2026)

A Hierarchical Multi-Agent System for Autonomous Discovery in Geoscientific Data Archives

面向地质数据档案的分层多智能体系统

Dmitrii Pantiukhin, Ivan Kuznetsov, Boris Shapkin, Antonia Anna Jost, Thomas Jung, Nikolay Koldunov

机构 * Alfred Wegener Institute for Polar and Marine Research（阿尔弗雷德·韦格ener极地和海洋研究所） 纠错

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

AI总结 PANGAEA-GPT通过分层多智能体框架实现地质数据自动发现与分析，具备复杂工作流执行能力，减少人工干预。

Comments 20 pages, 6 figures, 7 tables, supplementary material included