代码大模型 / AI 编程

Toward Functional and Non-Functional Evaluation of Application-Level Code Generation

迈向应用级代码生成的功能性和非功能性评估

Ruwei Pan, Yakun Zhang, Qingyuan Liang, Yueheng Zhu, Chao Liu, Lu Zhang, Hongyu Zhang

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

AI总结 本文提出RAL-Bench基准，评估应用级代码生成的功能性和非功能性质量，发现功能正确性仍是瓶颈，非功能性质量也需改进。

TextBFGS: A Case-Based Reasoning Approach to Code Optimization via Error-Operator Retrieval

TextBFGS：通过错误-操作符检索的基于案例的推理代码优化方法

Zizheng Zhang, Yuyang Liao, Chen Chen, Jian He, Dun Wu, Qianjin Yu, Yanqin Gao, Jin Yang, Kailai Zhang, Eng Siong Chng, Xionghu Zhong

机构 * Zhongxing Telecom Equipment (ZTE)（中兴通讯股份有限公司） ； China Mobile（中国移动） ； Nanyang Technological University (NTU)（南洋理工大学） ； Hunan University（湖南大学） 纠错

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

AI总结 TextBFGS采用基于案例的推理方法，通过检索历史错误-操作符修正轨迹来优化代码生成，相比无状态方法更高效，显著提升了代码优化性能。

ComBench: A Repo-level Real-world Benchmark for Compilation Error Repair

ComBench：一个面向编译错误修复的仓库级真实世界基准

Jia Li, Zeyang Zhuang, Zhuangbin Chen, Yuxin Su, Wei Meng, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； Sun Yat-sen University（中山大学） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.SE、cs.AI

AI总结 本文提出ComBench，首个面向C/C++编译错误修复的仓库级真实世界基准，通过自动化框架系统挖掘GitHub CI历史中的真实失败案例，评估12种现代LLM在直接和代理修复设置下的表现，揭示模型在语法正确性与语义正确性上的显著差距。

Graph Attention Network-Based Detection of Autism Spectrum Disorder

基于图注意力网络的自闭症谱系障碍检测

Abigail Kelly, Ramchandra Rimal, Arpan Sainju

机构 * Middle Tennessee State University（中田纳西州立大学） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.LG

AI总结 本文提出一种基于图注意力网络的检测方法，利用fMRI数据构建功能连接矩阵，通过注意力机制识别关键连接模式，提升诊断准确性，实验结果显示在测试数据上达到88.79%的平均准确率。