代码大模型 / AI 编程

Hierarchical Embedding Fusion for Retrieval-Augmented Code Generation

层次嵌入融合用于检索增强的代码生成

Nikita Sorokin, Ivan Sedykh, Valentin Malykh

机构 * ITMO University（ITMO大学） 纠错

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

AI总结 HEF通过层次嵌入融合技术，实现了低延迟的仓库感知代码补全，有效减少检索延迟并提升准确度。

Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations

基于对称约束的语言引导程序合成的 governing 方程发现方法

Mirza Samad Ahmed Baig, Syeda Anshrah Gillani

机构 * Fandaqah (Owned by Dyafa)（法达卡（由迪法夫所有）） ； Hamdard University（哈姆达德大学） 纠错

专题命中 代码生成 ：program synthesis(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 SymLang 通过结合对称约束、语言模型引导程序合成和贝叶斯模型选择，实现了从噪声和部分观测中发现 governing 方程的高精度结构恢复。

Comments 12 pages, 4 figures, 5 tables

KCoEvo: A Knowledge Graph Augmented Framework for Evolutionary Code Generation

KCoEvo: 一种增强知识图谱的进化代码生成框架

Jiazhen Kang, Yuchen Lu, Chen Jiang, Jinrui Liu, Tianhao Zhang, Bo Jiang, Ningyuan Sun, Tongtong Wu, Guilin Qi

机构 * Southeast University（东南大学） ； Monash University（墨尔本大学） ； ByteDance Ltd.（字节跳动有限公司） 纠错

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

AI总结 KCoEvo通过增强知识图谱的方法提升代码迁移的准确性与可控性

Comments Accepted to the DASFAA 2026 Industry Track

GraphSkill: Documentation-Guided Hierarchical Retrieval-Augmented Coding for Complex Graph Reasoning

GraphSkill: 基于文档的分层检索增强编码用于复杂图推理

Fali Wang, Chenglin Weng, Xianren Zhang, Siyuan Hong, Hui Liu, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Michigan State University（密歇根州立大学） 纠错

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

AI总结 GraphSkill通过分层检索增强编码框架和自我调试代理，提升复杂图推理任务的准确性和效率。

Comments Under review

Text to Automata Diagrams: Comparing TikZ Code Generation with Direct Image Synthesis

文本到自动机图：比较TikZ代码生成与直接图像合成

Ethan Young, Zichun Wang, Aiden Taylor, Chance Jewell, Julian Myers, Satya Sri Rajiteswari Nimmagadda, Anthony White, Aniruddha Maiti, Ananya Jana

机构 * Marshall University（马歇尔大学） ； West Virginia State University（西弗吉尼亚州立大学） 纠错

专题命中 代码生成 ：code generation(title)

AI总结 本研究比较了通过视觉-语言模型生成TikZ代码与直接图像合成在生成自动机图描述中的效果，发现人工修正能显著提高生成准确性。

Comments Accepted to ASEE North Central Section 2026

Security and Quality in LLM-Generated Code: A Multi-Language, Multi-Model Analysis

LLM生成代码的安全性与质量：多语言、多模型分析

Mohammed Kharma, Soohyeon Choi, Mohammed AlKhanafseh, David Mohaisen

机构 * Department of Computer Science, University of Central Florida（计算机科学系，中央佛罗里达大学） ； Department of Computer Science, Birzeit University（计算机科学系，比尔宰特大学） 纠错

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

AI总结 本文研究了LLM生成代码在不同编程语言中的安全性和质量，发现其安全性因语言而异，且未能充分利用现代安全特性，需进一步改进以提升安全性和质量。

Comments 20 pages, 13 tables. Accepted to IEEE Transactions on Dependable and Secure Computing

DistillGuard: Evaluating Defenses Against LLM Knowledge Distillation

DistillGuard: 评估对抗大语言模型知识蒸馏的防御措施

Bo Jiang

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

AI总结 DistillGuard通过系统评估发现，现有输出层面防御措施在对抗大语言模型知识蒸馏时效果有限，尤其在数学推理任务中表现突出，揭示了防御措施的依赖性和任务特定性。

Scaling Data Difficulty: Improving Coding Models via Reinforcement Learning on Fresh and Challenging Problems

数据难度的扩展：通过在新鲜且具有挑战性的问题上进行强化学习来改进编码模型

Zongqian Li, Tengchao Lv, Shaohan Huang, Yixuan Su, Qinzheng Sun, Qiufeng Yin, Ying Xin, Scarlett Li, Lei Cui, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 通过强化学习在新鲜且具有挑战性的问题上改进编码模型，MicroCoder数据集通过系统化数据处理和难度扩展实现了显著的性能提升。

Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models

突破训练瓶颈：为编码模型提供有效且稳定的强化学习

Zongqian Li, Shaohan Huang, Zewen Chi, Yixuan Su, Lexin Zhou, Li Dong, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 本文提出MicroCoder-GRPO方法，通过改进的组相对策略优化解决编码模型训练瓶颈，实现性能提升并发布相关数据集和评估框架。

Listen to the Layers: Mitigating Hallucinations with Inter-Layer Disagreement

倾听各层：通过层间分歧缓解幻觉

Koduvayur Subbalakshmi, Sabbir Hossain Ujjal, Venkata Krishna Teja Mangichetty, Nastaran Jamalipour Soofi

机构 * Stevens Institute of Technology（斯蒂文斯理工学院） 纠错

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

AI总结 CoCoA通过监听模型内部层间分歧信号，有效缓解大语言模型的幻觉问题，提升推理时的事实准确性。

Comments Preprint, 26 pages, 15 tables, 15 figures

From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review

从大语言模型推理到自主AI代理：全面综述

Mohamed Amine Ferrag, Norbert Tihanyi, Merouane Debbah

机构 * Department of Computer and Network Engineering（计算机与网络工程系） ； United Arab Emirates University（阿联酋大学） ； Technology Innovation Institute（技术创新研究院） ； Eötvös Loránd University（埃斯特哈齐·洛朗大学） ； Research Institute for Digital Future（数字未来研究院） ； Khalifa University（卡塔尔大学） 纠错

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

AI总结 本文综述了大语言模型和自主AI代理的发展，提出了涵盖多种任务的基准分类法，并讨论了未来研究方向。

SCAFFOLD-CEGIS: Preventing Latent Security Degradation in LLM-Driven Iterative Code Refinement

SCAFFOLD-CEGIS: 防止由LLM驱动的迭代代码精炼中的潜在安全退化

Yi Chen, Yun Bian, Haiquan Wang, Shihao Li, Zhe Cui

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

AI总结 SCAFFOLD-CEGIS通过多智能体协作架构，将安全约束显式化，有效降低LLM驱动迭代代码精炼中的潜在安全退化率至2.1%。

Learning From Design Procedure To Generate CAD Programs for Data Augmentation

从设计过程学习生成用于数据增强的CAD程序

Yan-Ying Chen, Dule Shu, Matthew Hong, Andrew Taber, Jonathan Li, Matthew Klenk

机构 * Toyota Research Institute（丰田研究院） 纠错

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

AI总结 本文提出了一种基于设计过程的CAD程序生成方法，通过引入有机形状和样条基 curvature 提高几何多样性，以增强数据增强效果。

Comments Accepted by NeurIPS 2025 Workshop: Deep Learning for Code in the Agentic Era