代码大模型 / AI 编程

Self-Improving Code Generation via Semantic Entropy and Behavioral Consensus

通过语义熵和行为共识的自我改进代码生成

Huan Zhang, Wei Cheng, Wei Hu

机构 * Nanjing University（南京大学） 纠错

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

AI总结 本文提出ConSelf方法，利用语义熵构建课程和共识驱动优化，无需外部监督提升代码生成能力。

Comments Accepted in the 34th IEEE/ACM International Conference on Program Comprehension (ICPC 2026)

LLMON: An LLM-native Markup Language to Leverage Structure and Semantics at the LLM Interface

LLMON：一种面向大语言模型的标记语言，用于在大语言模型接口中利用结构和语义

Michael Hind, Basel Shbita, Bo Wu, Farhan Ahmed, Chad DeLuca, Nathan Fulton, David Cox, Dan Gutfreund

机构 * IBM Research（IBM研究院） 纠错

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

AI总结 LLMON通过引入一种面向大语言模型的标记语言，使文本的结构和语义元数据能自然地传递给大语言模型，从而提升模型的准确性、安全性和稳定性。

Comments 28 pages

Dynamic Cogeneration of Bug Reproduction Test in Agentic Program Repair

代理程序修复中的动态共生测试生成

Runxiang Cheng, Michele Tufano, José Cambronero, Renyao Wei, Sherry Shi, Grant Uy, Pat Rondon, Franjo Ivančić

机构 * Google, USA（谷歌（美国）） 纠错

专题命中 程序修复 ：program repair(title,abstract)；分类 cs.SE、cs.AI

AI总结 本文研究了在程序修复中动态共生生成测试的方法，通过在同一补丁中生成修复和测试用例，提高修复的可信度并减少维护成本。

VectorGym: A Multitask Benchmark for SVG Code Generation, Sketching, and Editing

VectorGym：一个多任务基准用于SVG代码生成、草图和编辑

Juan Rodriguez, Haotian Zhang, Abhay Puri, Tianyang Zhang, Rishav Pramanik, Meng Lin, Xiaoqing Xie, Marco Terral, Darsh Kaushik, Aly Shariff, Perouz Taslakian, Spandana Gella, Sai Rajeswar, David Vazquez, Christopher Pal, Marco Pedersoli

机构 * ServiceNow Research（ServiceNow 研究院） ； Mila, Quebec AI Institute（Mila 魁北克人工智能研究所） ； Columbia University（哥伦比亚大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Stony Brook University（石溪大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Minzu University of China（中央民族大学） ； University of Waterloo（滑铁卢大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能讲席） ； Computer Vision Center（计算机视觉中心） 纠错

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

AI总结 VectorGym提出一个涵盖SVG生成、复杂编辑和视觉理解的多任务基准，通过专家标注解决现有基准的不足，采用多任务强化学习方法，训练出性能领先的Qwen3-VL模型，公开可用。

Beyond Localization: Recoverable Headroom and Residual Frontier in Repository-Level RAG-APR

超越定位：仓库级RAG-APR中的可恢复头寸与残余前沿

Pengtao Zhao, Boyang Yang, Bach Le, Feng Liu, Haoye Tian

专题命中 仓库级理解 ：repository(title,abstract)；program repair(abstract)；分类 cs.SE

AI总结 本研究探讨仓库级RAG-APR中定位强化后的可恢复增益与残余前沿，通过三种范式分析定位、搜索限制、证据质量及接口设计对修复结果的影响。

Prediction of Item Difficulty for Reading Comprehension Items by Creation of Annotated Item Repository

通过创建注释项目仓库预测阅读理解题难度

Radhika Kapoor, Sang T. Truong, Nick Haber, Maria Araceli Ruiz-Primo, Benjamin W. Domingue

机构 * Stanford University（斯坦福大学） 纠错

专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.CL

AI总结 本文通过创建包含阅读材料和学生成绩数据的注释仓库，利用惩罚回归模型预测项目难度，同时结合LLM嵌入进一步提升预测性能，为阅读理解题的分类和过滤提供工具。

KAN-LSTM: Benchmarking Kolmogorov-Arnold Networks for Cyber Security Threat Detection in IoT Networks

KAN-LSTM：基于Kolmogorov-Arnold网络的物联网网络网络安全威胁检测基准测试

Mohammed Hassanin

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文提出KAN-LSTM模型，结合空间与时间编码，利用KAN的自适应激活函数在物联网网络中实现更高效的网络安全威胁检测，通过实验验证了KAN-LSTM和KAN在传统深度学习模型上的优越性。