代码大模型 / AI 编程

StoryCoder: Narrative Reformulation for Structured Reasoning in LLM Code Generation

StoryCoder: 为LLM代码生成中的结构化推理提供叙述改写

Geonhui Jang, Dongyoon Han, YoungJoon Yoo

机构 * Dept. of Artificial Intelligence, Chung-Ang University（Chung-Ang 大学人工智能系） ； NAVER AI Lab（NAVER AI 实验室） 纠错

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

AI总结 StoryCoder通过将代码生成问题转化为连贯的自然语言叙述，提升模型推理和规划能力，实验显示在多个数据集上平均提升18.7%的零样本准确率，且改进了算法策略和代码结构。

Comments 21 pages, 12 figures. ACL 2026 Main Conference

MARS$^2$: Scaling Multi-Agent Tree Search via Reinforcement Learning for Code Generation

MARS$^2$：通过强化学习提升多智能体树搜索用于代码生成

Pengfei Li, Shijie Wang, Fangyuan Li, Yikun Fu, Kaifeng Liu, Kaiyan Zhang, Dazhi Zhang, Yuqiang Li, Biqing Qi, Bowen Zhou

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 MARS$^2$通过多智能体协作与树搜索结合，提升强化学习在代码生成中的性能，实验表明其在多种模型和训练设置下均有效。

Comments Accepted by ACL 2026

Presynthesis: Towards Scaling Up Program Synthesis with Finer-Grained Abstract Semantics

Presynthesis：迈向通过更细粒度抽象语义扩大程序合成的规模

Rui Dong, Qingyue Wu, Danny Ding, Zheng Guo, Ruyi Ji, Xinyu Wang

专题命中 代码生成 ：program synthesis(title,abstract)；分类 cs.PL

AI总结 本文提出Presynthesis方法，通过引入离线预合成阶段，利用树自动机和oracle提升程序合成效率，显著优于现有方法。

Comments Published at PLDI 2026

Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 210 (June 2026), 25 pages

Development of an LLM-Based System for Automatic Code Generation from HEP Publications

基于大语言模型的自动代码生成系统开发：从高能物理出版物中生成可执行分析代码

Masahiko Saito, Tomoe Kishimoto, Junichi Tanaka

专题命中 代码生成 ：code generation(title,abstract)

AI总结 本文提出利用大语言模型从高能物理论文中提取分析流程并生成可执行代码，验证了其在高能物理分析中的可行性与局限性。

Comments Proceedings of the International Symposium on Grids and Clouds (ISGC2026)

Acceptance Dynamics Across Cognitive Domains in Speculative Decoding

跨认知领域接受动态的推测解码

Saif Mahmoud

机构 * College of Engineering, Al Ain University Abu Dhabi, United Arab Emirates（阿联酋阿因大学工程学院） 纠错

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

AI总结 本文研究了基于树的推测解码接受动态，分析了不同NLP任务领域对接受概率的影响，发现任务类型比树深度更能预测接受率，且聊天领域表现出较高的熵和接受率。