代码大模型 / AI 编程

RECODE: Reasoning Through Code Generation for Visual Question Answering

RECODE: 通过代码生成进行视觉问答的推理

Junhong Shen, Mu Cai, Bo Hu, Ameet Talwalkar, David A Ross, Cordelia Schmid, Alireza Fathi

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

AI总结 RECODE通过代码生成实现视觉问答的可验证推理，优于传统方法。

Comments The authors are withdrawing this manuscript temporarily to conduct additional checks of the experimental setup and implementation. We plan to post an updated version after completing these checks

QSpark: Towards Reliable Qiskit Code Generation

QSpark：迈向可靠的Qiskit代码生成

Kiana Kheiri, Aamna Aamir, Andriy Miranskyy, Chen Ding

机构 * Toronto Metropolitan University（多伦多 Metropolitan 大学） 纠错

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

AI总结 QSpark通过GRPO和ORPO方法提升Qiskit代码生成的可靠性，在基准测试中取得显著成绩，但仍有提升空间。

Journal ref In Proceedings of the 3rd International Workshop on AI for Quantum and Quantum for AI (AIQxQIA 2025), co-located with ECAI 2025, CEUR Workshop Proceedings, Vol. 4153, Paper 6, pp. 1-12, 2025

Towards a Neural Debugger for Python

迈向Python的神经调试器

Maximilian Beck, Jonas Gehring, Jannik Kossen, Gabriel Synnaeve

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

AI总结 本文提出神经调试器，通过模拟传统调试器实现交互式代码执行控制，提升神经模型在代码执行预测与逆向推理中的能力。

Comments 22 pages

Reasoning Efficiently Through Adaptive Chain-of-Thought Compression: A Self-Optimizing Framework

通过自适应链式推理压缩实现高效推理：一个自优化框架

Kerui Huang, Shuhan Liu, Xing Hu, Tongtong Xu, Lingfeng Bao, Xin Xia

机构 * The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） ； State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） 纠错

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

AI总结 SEER通过自适应压缩链式推理，提升LLM在软件工程和数学任务中的效率与鲁棒性。

Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs

思考以回忆：推理如何解锁大语言模型中的参数知识

Zorik Gekhman, Roee Aharoni, Eran Ofek, Mor Geva, Roi Reichart, Jonathan Herzig

机构 * Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 本研究发现推理通过计算缓冲效应和事实优先机制提升大语言模型对参数知识的回忆能力，但可能增加幻觉风险，通过优化推理轨迹可提高模型准确性。

Can AI Agents Generate Microservices? How Far are We?

AI代理能否生成微服务？我们距离多远？

Bassam Adnan, Matteo Esposito, Davide Taibi, Karthik Vaidhyanathan

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

AI总结 本文研究了AI代理生成微服务的能力，发现渐进式生成在单元测试中表现较好，而清洁状态生成在集成测试中表现更优，但整体上仍需人类监督。

Comments 10 pages, 7 figures, accepted at the 2026 IEEE International Conference on Software Architecture (ICSA 2026). This is the pre-print version; the camera-ready version is published by IEEE

CovertComBench: A First Domain-Specific Testbed for LLMs in Wireless Covert Communication

CovertComBench: 一个用于无线隐蔽通信中LLM的首个领域特定测试平台

Zhaozhi Liu, Jiaxin Chen, Yuanai Xie, Yuna Jiang, Minrui Xu, Xiao Zhang, Pan Lai, Zan Zhou

专题命中 代码生成 ：code generation(abstract)

AI总结 CovertComBench是首个用于评估LLM在无线隐蔽通信中安全约束优化能力的领域特定测试平台，揭示了LLM在高阶数学推导上的不足，强调需通过外部工具增强构建可信无线AI系统。

Comments 6 pages, corrected a typo: "DeepSeek-R1:70B" was previously incorrectly written as "DeepSeek-V3.2:70B"