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。