代码大模型 / AI 编程

DomAgent: Leveraging Knowledge Graphs and Case-Based Reasoning for Domain-Specific Code Generation

DomAgent：利用知识图谱和基于案例的推理进行领域特定代码生成

Shuai Wang, Dhasarathy Parthasarathy, Robert Feldt, Yinan Yu

机构 * Chalmers University of Technology（楚德斯大学） 纠错

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

AI总结 DomAgent通过结合知识图谱和基于案例的推理，提升领域特定代码生成能力，通过结构化推理和定向检索实现领域适应，实验表明其能显著提升复杂真实应用场景的代码生成性能。

Comments Accepted to AAMAS 2026 EA

A Deep Dive into Scaling RL for Code Generation with Synthetic Data and Curricula

深入探讨通过合成数据和课程学习扩展强化学习用于代码生成

Cansu Sancaktar, David Zhang, Gabriel Synnaeve, Taco Cohen

机构 * University of Tübingen（图宾根大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

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

AI总结 本文提出多轮合成数据生成流程，通过教师模型迭代优化问题难度，提升代码生成性能，并系统研究任务难度、课程调度和环境多样性对强化学习训练的影响。

The Specification Gap: Coordination Failure Under Partial Knowledge in Code Agents

规范鸿沟：在代码代理中部分知识下的协调失败

Camilo Chacón Sartori

机构 * Catalan Institute of Nanoscience and Nanotechnology (ICN2), CSIC and BIST（加泰罗尼亚纳米科学与纳米技术研究所（ICN2），西班牙国家科研 council（CSIC）和巴塞罗那技术研究所（BIST）） 纠错

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

AI总结 研究代码代理在部分知识下的协调失败问题，发现规范鸿沟导致两代理整合准确率下降，信息不对称和协调成本是主要因素，支持以规范为导向的多代理代码生成观点。

Team of Thoughts: Efficient Test-time Scaling of Agentic Systems through Orchestrated Tool Calling

思想团队：通过协调工具调用实现代理系统高效测试时扩展

Jeffrey T. H. Wong, Zixi Zhang, Junyi Liu, Yiren Zhao

机构 * Imperial College London（帝国学院伦敦） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文提出Team-of-Thoughts框架，通过协调工具调用实现异构代理系统在测试时的高效扩展，通过动态激活最兼容的代理提升数学推理和代码生成任务的性能。

Comments 8 pages

APreQEL: Adaptive Mixed Precision Quantization For Edge LLMs

APreQEL: 适应性混合精度量化用于边缘大语言模型

Meriem Bouzouad, Yuan-Hao Chang, Jalil Boukhobza

机构 * Lab-STICC, CNRS UMR 6285 , ENSTA, Institut Polytechnique de Paris（法国巴黎理工学院STICC实验室、CNRS UMR 6285、ENSTA） ； National Taiwan University（台湾国立台湾大学） 纠错

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

AI总结 本文提出了一种适应性混合精度量化方法，通过分析层间贡献和硬件平台行为，优化边缘部署中的内存、延迟和精度平衡。

DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction

DUPLEX：基于LLM驱动信息提取的代理双系统规划

Keru Hua, Ding Wang, Yaoying Gu, Xiaoguang Ma

机构 * Midea Corporate Research Center（美的集团研发中心） ； Midea Group（美的集团） ； Northeastern University（东北大学） ； Engineering Department（工程部） 纠错

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

AI总结 DUPLEX通过限制LLM进行结构化语义 grounding，结合符号规划器实现可靠规划，优于现有端到端和混合LLM基线。

Setting SAIL: Leveraging Scientist-AI-Loops for Rigorous Visualization Tools

构建SAIL：利用科学家-人工智能循环以实现严谨的可视化工具

Nico Schuster, Andrés N. Salcedo, Simon Bouchard, Dennis Frei, Alice Pisani, Julian E. Bautista, Julien Zoubian, Stephanie Escoffier, Wei Liu, Georgios Valogiannis, Pauline Zarrouk

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出SAIL框架，通过分离领域逻辑与代码语法，帮助科学家在保持科学严谨性的同时利用AI快速生成代码，展示两个开源天文工具，证明其在科普、教学和早期研究中的有效性。

Comments 10 pages (+ references), 4 figures. Interactive visualizations available at: https://nicosmo.github.io/lensing_visualization/ and https://nicosmo.github.io/cosmic_web_explorer/