代码大模型 / AI 编程

Are Sparse Autoencoders Useful for Java Function Bug Detection?

稀疏自编码器是否有助于Java函数Bug检测？

Rui Melo, Claudia Mamede, Andre Catarino, Rui Abreu, Henrique Lopes Cardoso

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

AI总结 本文探讨了稀疏自编码器在Java函数Bug检测中的有效性，通过GPT-2 Small和Gemma 2B的表示进行评估，发现SAE衍生特征在无需微调的情况下可达到89%的F1分数，优于传统基线模型。

Comments I'm working on a completely new paper with different models and datasets and authors. I believe it to be a more robust contribution. Since the authors, title and hypothesis are different, I believe it to be a better approach to remove this preprint

ModeX: Evaluator-Free Best-of-N Selection for Open-Ended Generation

ModeX：无需评估器的开放生成最佳-N选择

Hyeong Kyu Choi, Sharon Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 ModeX提出一种无需外部评估器的最佳-N选择方法，通过识别主导语义共识的模态输出，提升开放生成任务的鲁棒性与效率。

Comments ACL 2026 Main

An Imperfect Verifier is Good Enough: Learning with Noisy Rewards

完美验证者并非必需：在有噪声奖励下学习

Andreas Plesner, Francisco Guzmán, Anish Athalye

机构 * Handshake AI ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 研究通过引入噪声探讨强化学习在有噪声奖励下的鲁棒性，发现15%的噪声率下验证准确率接近干净基线，表明不完美验证不影响RLVR效果。

Do AI Models Dream of Faster Code? An Empirical Study on LLM-Proposed Performance Improvements in Real-World Software

AI模型是否梦想着更快的代码？对LLM在现实软件中提出性能改进的实证研究

Lirong Yi, Gregory Gay, Philipp Leitner

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） 纠错

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

AI总结 研究通过65个性能关键的开源Java项目任务，评估LLM生成复杂工程问题的性能，发现其解法波动大且低于人类开发者，指出当前算法任务基准评估过于乐观，需转向更复杂的代理系统以提升性能。

Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot

生成式AI代码助手的安全问题：来自GitHub Copilot在线讨论的洞察

Nicolás E. Díaz Ferreyra, Monika Swetha Gurupathi, Zadia Codabux, Nalin Arachchilage, Riccardo Scandariato

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

AI总结 研究分析开发者在公共论坛中提出的安全问题，识别出数据泄露、代码授权、对抗攻击和不安全代码建议等四大安全关切，揭示生成式AI在软件工程中的局限性与权衡。

Comments Accepted for publication at EASE '26 Companion

To Copilot and Beyond: 22 AI Systems Developers Want Built

与Copilot一起：22位AI系统开发者想要构建的系统

Rudrajit Choudhuri, Christian Bird, Carmen Badea, Anita Sarma

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

AI总结 本文通过调研860名微软开发者，识别出22个AI系统需求，涵盖五个任务类别。研究发现开发者希望AI在早期工作流中嵌入质量信号，同时限制其权限和隐私，揭示了AI辅助开发中的'有界委托'模式。

Comments Companion paper to "AI Where It Matters": arXiv:2510.00762

AgenticRS-Architecture: System Design for Agentic Recommender Systems

AgenticRS-Architecture：面向代理推荐系统的系统设计

Hao Zhang, Jinxin Hu, Hao Deng, Lingyu Mu, Shizhun Wang, Yu Zhang, Xiaoyi Zeng

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出AgenticRS架构，通过交互式进化代理实现推荐系统全生命周期自动化，核心模块包括AutoTrain、AutoFeature和AutoPerf，实现模型、特征和资源的自适应演化。

Rethinking the Value of Agent-Generated Tests for LLM-Based Software Engineering Agents

重新思考基于LLM的软件工程代理生成测试的价值

Zhi Chen, Zhensu Sun, Yuling Shi, Chao Peng, Xiaodong Gu, David Lo, Lingxiao Jiang

机构 * Singapore Management University（新加坡管理大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 软件智能体 ：repository(abstract)；分类 cs.SE、cs.AI

AI总结 研究探讨了LLM软件工程代理生成测试的有效性，发现测试主要作为反馈渠道，而非提升问题解决效果。

Beyond Final Code: A Process-Oriented Error Analysis of Software Development Agents in Real-World GitHub Scenarios

超越最终代码：对现实世界GitHub场景中软件开发代理的过程导向错误分析

Zhi Chen, Wei Ma, Lingxiao Jiang

专题命中 软件智能体 ：repository(abstract)；分类 cs.SE、cs.AI

AI总结 本文通过分析3977个解决阶段轨迹和3931个测试阶段日志，揭示了软件开发代理在解决GitHub问题时的错误模式，发现Python执行错误与较低的解决率和更高的推理开销相关，并识别了影响基准公平性的三个bug。

Comments Paper accepted at ICSE 2026, Research Track

Munkres' General Topology Autoformalized in Isabelle/HOL

Munkres泛拓扑论在Isabelle/HOL中的自动形式化

Dustin Bryant, Jonathan Julián Huerta y Munive, Cezary Kaliszyk, Josef Urban

机构 * Independent（独立研究者） ； Aalborg University（奥尔堡大学） ； University of Melbourne（墨尔本大学） ； AI4REASON and University of Gothenburg / Chalmers University（AI4REASON 和哥德堡大学 / 查尔姆斯理工大学） 纠错

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

AI总结 本研究利用LLM辅助在Isabelle/HOL中自动形式化Munkres泛拓扑教材，生成85000余行代码，涵盖39章节，证明包括Tychonoff定理等核心结果，方法结合声明性证明与sledgehammer工具，展现高效形式化潜力。

GALA: Multimodal Graph Alignment for Bug Localization in Automated Program Repair

GALA: 多模态图对齐用于自动化程序修复中的缺陷定位

Zhuoyao Liu, Zhengran Zeng, Shu-Dong Huang, Yang Liu, Shikun Zhang, Wei Ye

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

AI总结 GALA通过多模态图对齐方法，解决GUI截图场景下自动化程序修复的缺陷定位问题，通过结构化推理提升视觉与代码的映射精度。

Comments Code available at: https://github.com/lzyyyyy666/GALA

Triage: Routing Software Engineering Tasks to Cost-Effective LLM Tiers via Code Quality Signals

Triage: 通过代码质量信号将软件工程任务路由到成本效益高的LLM层级

Lech Madeyski

机构 * Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学） 纠错

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

AI总结 Triage利用代码健康度指标作为路由信号，将任务分配到最便宜的模型层级，通过分析代码质量与模型层级成本的关系，提升任务处理效率。

Comments 5 pages, 1 figure

CIAO - Code In Architecture Out - Automated Software Architecture Documentation with Large Language Models

CIAO - 代码输入，架构输出 - 利用大语言模型实现自动化软件架构文档生成

Marco De Luca, Tiziano Santilli, Domenico Amalfitano, Anna Rita Fasolino, Patrizio Pelliccione

机构 * University of Naples Federico II（那不勒斯腓特烈二世大学） ； University of Southern Denmark（南丹麦大学） ； Gran Sasso Science Institute（格兰萨索科学研究所） 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CIAO方法，利用大语言模型从GitHub仓库自动生成系统级架构文档，基于ISO/IEC/IEEE标准模板，评估显示文档被开发者认为有价值且准确，但存在图表质量和高层次上下文建模的局限。

Comments Manuscript accepted for the 23rd International Conference on Software Architecture (ICSA 2026)

Modeling Sampling Workflows for Code Repositories

对代码仓库的采样工作流建模

Romain Lefeuvre, Maïwenn Le Goasteller, Jessie Galasso, Benoit Combemale, Quentin Perez, Houari Sahraoui

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

AI总结 本文提出一种领域特定语言，用于描述复杂采样策略，以提高采样方法的可表示性和可推理性，通过统计指标验证了其在代码仓库采样中的有效性。

Journal ref MSR '26 - 23rd International Conference on Mining Software Repositories, Apr 2026, Rio de Janeiro, Brazil

Foundation Models Defining A New Era In Sensor-based Human Activity Recognition: A Survey And Outlook

基于传感器的人类活动识别的基石模型：一种综述与展望

Sizhen Bian, Mengxi Liu, Lala Shakti Swarup Ray, Bo Zhou, Bin Guo, Zhiwen Yu, Thomas Ploetz, Paul Lukowicz, Siyu Yuan, Vitor Fortes Rey

专题命中 代码评测 ：repository(abstract)

AI总结 本文综述了基于传感器的人类活动识别中的基石模型，分析了九种技术轴上的设计模式与权衡，并探讨了数据整理、多模态对齐、个性化、隐私和负责任部署等开放挑战。

Efficient Model Repository for Entity Resolution: Construction, Search, and Integration

高效实体解析模型仓库：构建、搜索与集成

Victor Christen, Peter Christen

专题命中 仓库级理解 ：repository(title,abstract)

AI总结 本文提出MoRER方法，通过特征分布分析将相似实体解析任务聚类，构建模型仓库以提升多源实体解析效率，实验表明其在有限标注预算下表现优异，优于自监督方法和监督Transformer方法。

Dual-Rerank: Fusing Causality and Utility for Industrial Generative Reranking

双重重排：融合因果性与效用性用于工业生成重排

Chao Zhang, Shuai Lin, ChengLei Dai, Ye Qian, Fan Mingyang, Yi Zhang, Yi Wang, Jingwei Zhuo

机构 * Kuaishou Technology（快手科技） ； Unaffiliated（无单位） 纠错

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

AI总结 本文提出Dual-Rerank框架，通过序列知识蒸馏解决结构矛盾，利用列表式解耦重排优化解决优化差距，提升重排效率与用户满意度。

A Quasi-Regression Method for the Mediation Analysis of Zero-Inflated Single-Cell Data

一种用于零膨胀单细胞数据中介分析的准回归方法

Seungjun Ahn, Donald Porchia, Panos Roussos, Maaike van Gerwen, Qing Lu, Zhigang Li

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文提出QuasiMed方法，通过准回归框架处理单细胞数据中介分析，无需严格分布假设，具备高统计功效和计算效率，应用于ROSMAP数据展示其识别因果通路的潜力。

Comments 20 pages, 2 figures

Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images

为 cine 图像中的腺体病变分割适应基础模型以提高标注效率

Francesca Fati, Alberto Rota, Adriana V. Gregory, Anna Catozzo, Maria C. Giuliano, Mrinal Dhar, Luigi De Vitis, Annie T. Packard, Francesco Multinu, Elena De Momi, Carrie L. Langstraat, Timothy L. Kline

机构 * Mayo Clinic（梅奥诊所） ； Politecnico di Milano（米兰理工大学） ； Istituto Europeo di Oncologia（欧洲肿瘤研究所） 纠错

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文提出一种标注效率高的分割框架，利用预训练的DINOv3基础视觉变压器主干，结合DPT解码器实现多尺度特征层次重组，取得优于U-Net等传统全监督基线的性能，且在数据稀缺情况下表现更优。

PowerSpectR: An R Package for Radial Power Spectrum Estimation

PowerSpectR：用于径向功率谱估计的 R 包

Rafael S. de Souza

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文介绍 PowerSpectR，一个用于计算和可视化基于中位数的径向傅里叶功率谱的 R 包，通过边缘效应抑制、傅里叶域分析和径向分箱结合方位中位数统计，提高图像空间结构分析的鲁棒性。

Comments Accepted for publication at RNAAS

PROMISE: Proof Automation as Structural Imitation of Human Reasoning

PROMISE：证明自动化作为人类推理的结构模仿

Youngjoo Ahn, Sangyeop Yeo, Gijung Im, Jongmin Lee, Jinyoung Yeo, Jieung Kim

专题命中 程序分析与验证 ：code generation(abstract)；分类 cs.SE

AI总结 PROMISE通过结构化嵌入框架实现证明生成自动化，通过挖掘证明状态的结构模式提升大规模定理证明的可扩展性。