代码大模型 / AI 编程

BACE: LLM-based Code Generation through Bayesian Anchored Co-Evolution of Code and Test Populations

BACE：基于大语言模型的代码生成：通过贝叶斯锚定的代码与测试种群共演化

Kaushitha Silva, Srinath Perera

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

AI总结 BACE通过贝叶斯锚定的共演化方法，改进代码生成中的测试反馈机制，提升代码与测试种群的协同进化性能。

Comments 10 Pages, 3 Figures. To appear in Proceedings of the 2026 Genetic and Evolutionary Computation Conference (GECCO '26), July 13-17, 2026, San Jose, Costa Rica

AdverMCTS: Combating Pseudo-Correctness in Code Generation via Adversarial Monte Carlo Tree Search

AdverMCTS：通过对抗性蒙特卡洛树搜索对抗代码生成中的伪正确性

Qingyao Li, Weiwen Liu, Weinan Zhang, Yong Yu, Bo An

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

AI总结 本文提出AdverMCTS，通过将代码搜索与主动漏洞发现结合，对抗代码生成中的伪正确性问题，实验表明其优于现有方法，有效降低误报率。

SLM Finetuning for Natural Language to Domain Specific Code Generation in Production

为生产环境中的自然语言到领域特定代码生成进行SLM微调

Renjini R. Nair, Damian K. Kowalczyk, Marco Gaudesi, Chhaya Methani

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

AI总结 本文研究了通过微调小型语言模型提升自然语言到领域代码生成的性能与效率，展示了在生产环境中优于大模型的延迟和成本效益。

Comments 11 pages (including appendix), 5 tables, 1 figure. Submitted to arXiv as a preprint

VeriInteresting: An Empirical Study of Model Prompt Interactions in Verilog Code Generation

VeriInteresting：关于Verilog代码生成中模型提示交互的实证研究

Luca Collini, Andrew Hennesee, Patrick Yubeaton, Siddharth Garg, Ramesh Karri

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

AI总结 本文通过实证研究探讨了在Verilog代码生成中模型推理、专业化和提示工程策略的交互影响，评估了多种大小模型在不同提示设计下的表现，揭示了模型类别对结构化提示和优化的响应模式。

Comments Submitted for peer review

How Many Tries Does It Take? Iterative Self-Repair in LLM Code Generation Across Model Scales and Benchmarks

需要多少次尝试？跨模型规模和基准的LLM代码生成中的迭代自修复

Johin Johny Arimbur

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 研究探讨了在不同模型规模和基准测试中，通过迭代自修复提高代码生成正确率的方法，发现自修复显著提升了通过率，且现代模型无需微调即可实现有效自修复。

Comments 11 pages, 7 figures, 8 tables

Agentic Verification of Software Systems

软件系统的代理验证

Haoxin Tu, Huan Zhao, Yahui Song, Mehtab Zafar, Ruijie Meng, Abhik Roychoudhury

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

AI总结 本文提出AutoRocq代理，通过与Rocq定理证明器协作实现程序验证，采用迭代优化提升证明质量，实验显示在SV-COMP和Linux内核模块上具有良好的自动验证效果。

Comments Camera-ready version appeared in the Proceedings of the ACM International Conference on the Foundations of Software Engineering (FSE 2026)

Data Mixing Agent: Learning to Re-weight Domains for Continual Pre-training

数据混合代理：学习重新加权领域以实现持续预训练

Kailai Yang, Xiao Liu, Lei Ji, Hao Li, Xiao Liang, Zhiwei Liu, Yeyun Gong, Peng Cheng, Mao Yang

机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。

Comments Accepted by the ACL 2026 main conference

Why Code, Why Now: An Information-Theoretic Perspective on the Limits of Machine Learning

为何编写代码，为何现在：从信息论的角度看机器学习的限制

Zhimin Zhao

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

AI总结 本文从信息结构角度探讨机器学习的限制，提出基于信息结构的五级可学习性层次，指出任务在该层次中的位置比模型属性更预测扩展效果。

LLMs for Text-Based Exploration and Navigation Under Partial Observability

基于部分可观测性的文本基于探索与导航中的大型语言模型

Stephan Sandfuchs, Maximilian Melchert, Jörg Frochte

机构 * AKIS -- Interdisciplinary Institute for Applied AI and Data Science Ruhr（AKIS——鲁尔跨学科应用人工智能与数据科学研究所） ； Bochum University of Applied Sciences（波鸿应用科学大学） 纠错

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

AI总结 本文研究了大型语言模型在部分可观测环境下作为纯文本控制器的可行性，评估了九种不同LLM在探索和导航任务中的表现，发现推理调优模型在导航任务中表现更可靠，但效率仍低于理想路径。

Comments 15 pages, (to be published Springer Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering [LNICST] )

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

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

AI总结 本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。

PoTable: Towards Systematic Thinking via Plan-then-Execute Stage Reasoning on Tables

PoTable：通过表格推理中的计划-执行阶段推理实现系统性思维

Qingyang Mao, Qi Liu, Zhi Li, Mingyue Cheng, Zheng Zhang, Rui Li

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 本文提出PoTable，一种基于计划-执行阶段的表格推理方法，通过明确的分析阶段和代码生成机制提升推理的系统性和可解释性。

Comments Accepted by IEEE TKDE 2026

Learning Hierarchical and Geometry-Aware Graph Representations for Text-to-CAD

学习层次化和几何感知的图表示以实现文本到CAD

Shengjie Gong, Wenjie Peng, Hongyuan Chen, Gangyu Zhang, Yunqing Hu, Huiyuan Zhang, Shuangping Huang, Tianshui Chen

机构 * South China University of Technology（华南理工大学） ； Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司） ； Guangdong University of Technology（广东工业大学） 纠错

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

AI总结 本文提出层次化和几何感知的图表示，通过结构预测和约束建模提升CAD代码生成的几何精度和约束满足能力，同时引入渐进课程学习策略和12K数据集进行实验验证。

Comments Accepted by ICLR 2026

Towards Automated Pentesting with Large Language Models

向大型语言模型迈进的自动化渗透测试

Ricardo Bessa, Rui Claro, João Trindade, João Lourenço

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出RedShell框架，利用微调的LLM生成针对Windows漏洞的恶意PowerShell代码，实现高效隐私保护的渗透测试自动化。

RedShell: A Generative AI-Based Approach to Ethical Hacking

RedShell：基于生成AI的伦理黑客方法

Ricardo Bessa, Rui Claro, João Trindade, João Lourenço

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出RedShell工具，通过生成恶意PowerShell代码提升渗透测试效率，并构建了用于训练恶意代码生成模型的真实数据集，实验显示其生成的代码语法正确率高，语义一致性良好。

Tracing Prompt-Level Trajectories to Understand Student Learning with AI in Programming Education

通过追踪提示级轨迹来理解学生在编程教育中使用AI的学习过程

Tianyu Shao, Miguel Feijóo-García, Yi Zhang, Hugo Castellanos, Tawfiq Salem, Alejandra Magana, Tianyi Li

专题命中 代码生成 ：code generation(abstract)

AI总结 研究通过分析学生与AI交互的轨迹，揭示其在编程作业中使用AI工具的学习策略与能力差异，发现学生通过迭代改进而非直接复制AI生成代码的方式提升编程能力。

SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context

SWE-AGILE：一种用于高效管理动态推理上下文的软件代理框架

Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li

机构 * Microsoft（微软） 纠错

专题命中 软件智能体 ：software agent(title,abstract)；分类 cs.CL、cs.AI

AI总结 SWE-AGILE通过动态推理上下文策略平衡推理深度与效率，实现高效多轮软件工程任务处理，实验证明其在SWE-Bench-Verified上优于7B-8B模型。

Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures

在框架内：基于源代码的编码代理架构分类

Benjamin Rombaut

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

AI总结 本文通过分析13个开源编码代理框架的源代码，提出了一种基于架构的分类方法，揭示了控制策略、工具使用和资源管理的多样性，为研究代理行为和设计新框架提供了可复用的参考。

Sema Code: Decoupling AI Coding Agents into Programmable, Embeddable Infrastructure

Sema Code: 将AI编码代理解耦为可编程、可嵌入的基础设施

Huacan Wang, Jie Zhou, Ningyan Zhu, Shuo Zhang, Feiyu Chen, Jiarou Wu, Ge Chen, Chen Liu, Wangyi Chen, Xiaofeng Mou, Yi Xu

专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.SE

AI总结 Sema Code通过解耦核心代理引擎与客户端层，提供可嵌入的AI编码框架，解决企业跨异构环境复用能力的挑战，其核心机制包括多租户隔离、异步权限控制等，支持多种产品形式。

Building an Internal Coding Agent at Zup: Lessons and Open Questions

在Zup构建内部编码代理：经验与开放问题

Gustavo Pinto, Pedro Eduardo de Paula Naves, Ana Paula Camargo, Marselle Silva

专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.SE

AI总结 研究探讨了构建内部编码代理时原型性能与生产准备之间的差距，指出工具设计、安全控制等工程决策比模型质量更重要，通过CodeGen案例展示改进方法和人类监督模式对代理可靠性和采用的影响。

Comments 9 Paginas

MPAC: A Multi-Principal Agent Coordination Protocol for Interoperable Multi-Agent Collaboration

MPAC：一种多主代理协调协议用于互操作性多代理协作

Kaiyang Qian, Xinmin Fang, Zhengxiong Li

机构 * University of Colorado Denver (CU Denver)（科罗拉多大学丹佛分校） 纠错

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

AI总结 本文提出MPAC协议，解决多主代理共享状态协调问题，通过五层结构实现显式协调语义，减少协调开销并提升执行效率。

From Helpful to Trustworthy: LLM Agents for Pair Programming

从有益到可信：用于配对编程的LLM代理

Ragib Shahariar Ayon

机构 * Texas State University（德克萨斯州立大学） 纠错

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

AI总结 本文研究多代理LLM配对编程，通过外部化意图和工具迭代验证，提升代码可靠性、可审计性和可维护性。

Comments Accepted in 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE Companion 26)

SWE-Shepherd: Advancing PRMs for Reinforcing Code Agents

SWE-Shepherd：推进基于强化学习的代码代理的PRMs

Mahir Labib Dihan, Md Ashrafur Rahman Khan

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

AI总结 本文提出SWE-Shepherd框架，通过引入过程奖励模型为代码代理提供密集的步骤级监督，提升代码代理在大型代码库中的交互效率和动作质量。

Comments Code is available at https://github.com/mahirlabibdihan/swe-shepherd

A Multi-head Attention Fusion Network for Industrial Prognostics under Discrete Operational Conditions

面向离散操作条件的工业预测性维护多头注意力融合网络

Yuqi Su, Xiaolei Fang

机构 * North Carolina State University（北卡罗来纳州立大学） 纠错

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

AI总结 本文提出一种多头注意力融合神经网络，用于在动态变化的操作条件下进行工业预测性维护，通过融合退化趋势、离散操作状态和残余噪声，提升预测准确性。

Credit-Budgeted ICPC-Style Coding: When Agents Must Pay for Every Decision

基于信用的ICPC风格编码：当代理必须为每个决定付费

Lingfeng Zhou, Junhao Shi, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 本文提出USACOArena，通过引入严格的信用经济机制，使代理在决策时考虑成本，解决资源受限下的高效编码问题。

Comments Accepted by ICLR 2026

PatchRecall: Patch-Driven Retrieval for Automated Program Repair

PatchRecall: 基于补丁的检索用于自动化程序修复

Mahir Labib Dihan, Faria Binta Awal, Md. Ishrak Ahsan

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

AI总结 PatchRecall通过结合代码库检索与历史检索策略，在提升召回率的同时保持简洁，实验表明其在SWE-Bench上实现了更高的召回率且不显著增加检索文件数量，从而提升自动化程序修复效果。

Comments Code is available at https://www.kaggle.com/code/mahirlabibdihan/swe-bench-pag

MultiMend: Multilingual Program Repair with Context Augmentation and Multi-Hunk Patch Generation

MultiMend: 多语言程序修复与上下文增强及多补丁补丁生成

Reza Gharibi, Mohammad Hadi Sadreddini, Seyed Mostafa Fakhrahmad

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

AI总结 MultiMend通过上下文增强和多补丁生成技术，提升多语言程序修复效率，修复了2227个bug，其中1545个与开发者补丁一致，121个为多补丁bug。

Journal ref Autom Softw Eng 33, 69 (2026)

CodeComp: Structural KV Cache Compression for Agentic Coding

CodeComp: 用于代理编程的结构化KV缓存压缩

Qiujiang Chen, Jing Xiong, Chenyang Zhao, Sidi Yang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； LMSYS Org（LMSYS组织） 纠错

专题命中 程序修复 ：code generation(abstract)；分类 cs.CL

AI总结 CodeComp通过引入静态程序分析，在LLM推理中整合代码属性图先验，有效压缩KV缓存，提升代码定位和生成任务的准确性与效率。

FireBridge: Cycle-Accurate Hardware + Firmware Co-Verification for Modern Accelerators

FireBridge：面向现代加速器的周期精确硬件+固件联合验证

G Abarajithan, Zhenghua Ma, Francesco Restuccia, Ryan Kastner

专题命中 程序修复 ：repository(abstract)

AI总结 本文提出FireBridge框架，通过将固件与RTL/HLS硬件联合验证，实现加速器系统集成的高效调试，提升调试迭代速度达50倍。

Enabling Global, Human-Centered Explanations for LLMs:From Tokens to Interpretable Code and Test Generation

使大语言模型具备全球、以人为本的解释能力：从token到可解释的代码和测试生成

Dipin Khati, Daniel Rodriguez-Cardenas, David N. Palacio, Alejandro Velasco, Michele Tufano, Denys Poshyvanyk

机构 * Microsoft（微软） ； Google（谷歌） 纠错

专题命中 测试生成 ：code generation(abstract)；分类 cs.SE、cs.LG

AI总结 本文提出code rationales框架，通过将token级解释映射到高层编程类别，实现大语言模型代码生成的全局可解释性，验证了其在减少解释不确定性方面的有效性。

Comments Accepted to ICSE 2026

Pioneer Agent: Continual Improvement of Small Language Models in Production

先驱代理：生产环境中小语言模型的持续改进

Dhruv Atreja, Julia White, Nikhil Nayak, Kelton Zhang, Henrijs Princis, George Hurn-Maloney, Ash Lewis, Urchade Zaratiana

机构 * Fastino Labs 纠错

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

AI总结 本文提出Pioneer Agent，通过闭环系统自动化小语言模型的持续改进，通过冷启动和生产模式提升模型性能，发现有效训练策略。

Comments 43 pages, 10 figures, 14 tables