代码大模型 / AI 编程

Architectures of Error: A Philosophical Inquiry into AI and Human Code Generation

错误的架构：对人工智能与人类代码生成的哲学探究

Camilo Chacón Sartori

机构 * Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

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

AI总结 本文探讨人类与机器代码生成的本质差异，通过分析错误的根源，揭示认知与随机性导致的因果区别，为AI与人类协作软件开发提供哲学框架。

Comments preprint

Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation

评估使用SLMs和提示工程进行代码生成的环境影响

Md Afif Al Mamun, Sayan Nath, Gias Uddin, Novarun Deb

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

AI总结 本文研究了基于SLMs的代码生成中不同提示策略对准确性和可持续性的影响，发现可持续性与准确性脱钩，提示工程可实现环保与性能的平衡。

Comments 12 pages

VoxelCodeBench: Benchmarking 3D World Modeling Through Code Generation

VoxelCodeBench：通过代码生成进行3D世界建模的基准测试

Yan Zheng, Florian Bordes

机构 * FAIR at Meta（Meta FAIR） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 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VoxelCodeBench基准，通过代码生成评估3D空间推理能力，发现生成可执行代码易，但生成空间正确输出难，尤其在几何构造和多物体组合上挑战大。

A Multi-Language Perspective on the Robustness of LLM Code Generation

多语言视角下的大型语言模型代码生成鲁棒性研究

Fazle Rabbi, Zishuo Ding, Jinqiu Yang

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

AI总结 本文从多语言角度评估了代码生成模型的鲁棒性，通过扰动文档字符串、函数名、语法和格式等关键提示部分，发现不同语言和扰动类型对模型性能影响不同，且增大模型规模并不能显著提升鲁棒性。

Comments 50 pages, 10 figures, 16 tables

From Theory to Practice: Code Generation Using LLMs for CAPEC and CWE Frameworks

从理论到实践：利用LLMs为CAPEC和CWE框架生成代码

Murtuza Shahzad, Joseph Wilson, Ibrahim Al Azher, Hamed Alhoori, Mona Rahimi

机构 * Northern Illinois University（北伊利诺伊大学） 纠错

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

AI总结 本文提出一个基于LLMs生成CAPEC和CWE漏洞代码的数据集，通过GPT-4o、Llama和Claude模型生成高准确性的代码示例，提升安全漏洞识别与修复的效率。

Prompt Compression in the Wild: Measuring Latency, Rate Adherence, and Quality for Faster LLM Inference

野火中的提示压缩：测量延迟、速率遵守和质量以加快大语言模型推理

Cornelius Kummer, Lena Jurkschat, Michael Färber, Sahar Vahdati

机构 * ScaDS.AI Dresden/Leipzig, CIDS, TU Dresden（ScaDS.AI 德累斯顿/莱比锡，CIDS，德累斯顿工业大学） 纠错

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

AI总结 本文研究了提示压缩在实际应用中的延迟、速率遵守和质量影响，通过大规模实验发现，当提示长度、压缩比和硬件容量匹配时，LLMLingua可实现18%的端到端加速，但超出此范围压缩步骤会抵消收益。

Comments Accepted at ECIR 2026 (Full Paper)

APEX-EM: Non-Parametric Online Learning for Autonomous Agents via Structured Procedural-Episodic Experience Replay

APEX-EM：通过结构化程序-经验经验回放实现自主代理的非参数在线学习

Pratyay Banerjee, Masud Moshtaghi, Ankit Chadha

机构 * Amazon, AGI / Sunnyvale, USA（亚马逊 AGI / 美国森尼韦尔） 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APEX-EM框架，通过结构化经验表示和PRGII工作流，实现自主代理的非参数在线学习，提升跨领域任务的性能。

Comments 17 pages, 13 figures

Token-Efficient Multimodal Reasoning via Image Prompt Packaging

通过图像提示包装实现高效的多模态推理

Joong Ho Choi, Jiayang Zhao, Avani Appalla, Himansh Mukesh, Dhwanil Vasani, Boyi Qian

机构 * BNY ； Pittsburgh US（美国匹兹堡） 纠错

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

AI总结 本文提出图像提示包装方法，通过将结构化文本嵌入图像以减少文本令牌开销，并在多个数据集和模型上验证其效果，展示了在多模态系统设计中视觉编码的重要性。

Comments 9 pages including references

Precision or Peril: A PoC of Python Code Quality from Quantized Large Language Models

精度与危险：从量化大语言模型中Python代码质量的证明概念

Eric L. Melin, Adam J. Torek, Nasir U. Eisty, Casey Kennington

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

AI总结 研究探讨了小型LLM的代码生成性能及量化影响，发现生成代码存在质量和可维护性问题，强调在软件项目中需谨慎验证LLM生成的代码。