代码大模型 / AI 编程

TDAD: Test-Driven Agentic Development - Reducing Code Regressions in AI Coding Agents via Graph-Based Impact Analysis

TDAD：基于图的影响力分析减少AI编码代理中的代码回归

Pepe Alonso, Sergio Yovine, Victor A. Braberman

机构 * Universidad ORT Uruguay（ORT大学乌拉圭分校） ； DC, UBA, Argentina（阿根廷布宜诺斯艾利斯大学（DC, UBA）） 纠错

专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.SE、cs.AI

AI总结 TDAD通过在AI编码代理提交更改前进行影响分析，减少代码回归。实验表明其将回归率降低70%，优于传统方法。

Comments Toolpaper, 7 pages, 7 tables, 3 figures, 1 algorithm. Submitted to ACM AIWare 2026 (Data and Benchmark Track)

Nonstandard Errors in AI Agents

AI代理中的非标准误差

Ruijiang Gao, Steven Chong Xiao

机构 * School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校管理学院） 纠错

专题命中 软件智能体 ：coding agent(abstract)；分类 cs.AI

AI总结 研究AI代理在相同数据和问题下是否产生相同结果，发现其存在显著非标准误差，源于代理间分析选择的不确定性。不同模型家族在方法偏好上存在系统差异，同行评审对分散影响有限，但接触高质量论文可大幅缩小估计范围。

Comments 45 pages