代码大模型 / AI 编程

SR-Eval: Evaluating LLMs on Code Generation under Stepwise Requirement Refinement

SR-Eval: 评估在逐步需求细化下的LLM代码生成能力

Zexun Zhan, Shuzheng Gao, Ruida Hu, Cuiyun Gao

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

AI总结 SR-Eval是一个针对迭代代码生成的评估基准，通过多轮交互模拟真实开发流程，评估LLM在逐步需求细化下的表现，发现最佳模型在功能级任务中仅达到22.67%的完成率。

VERINA: Benchmarking Verifiable Code Generation

VERINA：可验证代码生成基准测试

Zhe Ye, Zhengxu Yan, Jingxuan He, Timothe Kasriel, Kaiyu Yang, Dawn Song

机构 * University of California, Berkeley（加州大学伯克利分校） ； Meta FAIR 纠错

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

AI总结 本文提出VERINA基准测试，用于全面评估代码、规范及证明生成能力，揭示LLM在可验证代码生成中的挑战，特别是证明生成的困难。

SEMAG: Self-Evolutionary Multi-Agent Code Generation

SEMAG：自演化多智能体代码生成

Yulin Peng, Haowen Hou, Xinxin Zhu, Ying Tiffany He, F. Richard Yu

机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), China（广东省人工智能与数字经济发展实验室（深圳）） ； School of Information Technology, Carleton University, Canada（卡尔顿大学信息技术学院） 纠错

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

AI总结 SEMAG通过自演化多智能体框架提升代码生成适应性，实现更高准确率和更强的模型自适应能力。

Exploring different approaches to customize language models for domain-specific text-to-code generation

探索不同方法以定制语言模型用于领域特定的文本到代码生成

Luís Freire, Fernanda A. Andaló, Nicki Skafte Detlefsen

机构 * Technical University of Denmark（丹麦技术大学） ； The LEGO Group（乐高集团） 纠错

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

AI总结 本文探讨了如何通过合成数据集定制小型语言模型用于领域特定的代码生成，比较了少样本提示、检索增强生成和LoRA微调三种方法，发现LoRA在准确性和领域对齐上表现更优。

Execution-Grounded Credit Assignment for GRPO in Code Generation

基于执行的信用分配用于代码生成中的GRPO

Abhijit Kumar, Natalya Kumar, Shikhar Gupta

机构 * ICLR 2026 Workshop on Scaling Post-Training for LLMs (SPOT)（ICLR 2026 工作组：扩大训练后大语言模型（SPOT）） 纠错

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

AI总结 本文提出基于执行的信用分配方法EGCA，通过执行轨迹局部化GRPO更新，提升代码生成的单元测试通过率，实验表明在HumanEval和MBPP数据集上效果优于GRPO。

Comments Accepted at SPOT ICLR 2026 (https://openreview.net/forum?id=nqkVB5EVXJ)

Improved Iterative Refinement for Chart-to-Code Generation via Structured Instruction

改进的图表到代码生成的迭代细化方法：基于结构化指令

Chengzhi Xu, Yuyang Wang, Lai Wei, Lichao Sun, Weiran Huang

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Lehigh University（莱特大学） ； MIFA Lab（MIFA实验室） 纠错

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

AI总结 本文提出基于结构化指令的ChartIR方法，通过区分视觉理解和代码翻译任务，提升图表到代码生成的性能，实验显示在Qwen2-VL和GPT-4o上表现优异。

From Vulnerabilities to Remediation: A Systematic Literature Review of LLMs in Code Security

从漏洞到修复：对LLMs在代码安全中应用的系统文献综述

Enna Basic, Alberto Giaretta

机构 * Department of Computer Science, Örebro University（奥雷布罗大学计算机科学系） 纠错

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

AI总结 本文系统综述了LLMs在代码安全中的应用，探讨其引入漏洞类型、漏洞检测与修复能力及提示策略影响，以及数据中毒攻击对其性能的影响。

Sharing State Between Prompts and Programs

在提示和程序之间共享状态

Ellie Y. Cheng, Logan Weber, Tian Jin, Michael Carbin

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 本文提出共享程序状态抽象，使提示可直接访问程序变量并实现控制流，通过Nightjar系统验证了其在任务准确性和代码效率上的优势。

Comments ICLR 2026

From Natural Language to Executable Option Strategies via Large Language Models

从自然语言到可执行期权策略的大型语言模型

Haochen Luo, Zhengzhao Lai, Junjie Xu, Yifan Li, Tang Pok Hin, Yuan Zhang, Chen Liu

机构 * City University of Hong Kong（香港城市大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Shanghai University of Finance and Economics（上海财经大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文提出Option Query Language，通过语法规则将期权市场抽象为高层 primitives，使LLM能作为语义解析器生成可执行期权策略，并通过新数据集验证其优于直接生成方法。

Generative AI for Quantum Circuits and Quantum Code: A Technical Review and Taxonomy

生成式AI用于量子电路和量子代码：技术综述与分类

Juhani Merilehto

机构 * University of Vaasa（瓦萨大学） ； University of Turku（图尔库大学） 纠错

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

AI总结 综述13个生成系统和5个支持数据集，探讨量子电路和代码生成的分类与训练方法，发现生成系统在语法和语义层面有所覆盖，但缺乏对量子硬件的端到端评估。

Comments 20 pages, 4 tables

Visual Set Program Synthesizer

视觉集合程序合成器

Zehua Cheng, Wei Dai, Wenhu Zhang, Thomas Lukasiewicz, Jiahao Sun

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； Institute of Logic and Computation, TU Wien（维也纳技术大学逻辑与计算研究所） 纠错

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.CL

AI总结 本文提出通过视觉程序合成解决复杂视觉推理问题，引入Set-VQA基准测试，显著提升回答准确性并提高透明度。

Comments 10 pages, IEEE International Conference on Multimedia and Expo 2026

Journal ref IEEE International Conference on Multimedia and Expo 2026

VibeContract: The Missing Quality Assurance Piece in Vibe Coding

VibeContract： vibe编码中缺失的质量保证环节

Song Wang

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

AI总结 本文提出VibeContract框架，通过将高层次自然语言意图分解为任务序列并生成任务级合同，以提升LLM生成代码的正确性、鲁棒性和可维护性。