代码大模型 / AI 编程

A PennyLane-Centric Dataset to Enhance LLM-based Quantum Code Generation using RAG

面向增强基于LLM的量子代码生成的PennyLane数据集

Abdul Basit, Nouhaila Innan, Muhammad Haider Asif, Minghao Shao, Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

机构 * Center for Quantum and Topological Systems (CQTS)（量子与拓扑系统中心（CQTS）） ； NYUAD Research Institute（纽约大学阿布扎克研究院） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

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

AI总结 本文提出PennyLang数据集，通过系统化方法提升LLM生成量子代码的性能，验证了RAG框架在增强量子代码生成中的有效性。

Comments 8 pages, 6 figures, 8 tables. Accepted at IJCNN 2026

Bridging the Gap between User Intent and LLM: A Requirement Alignment Approach for Code Generation

弥合用户意图与大语言模型之间的鸿沟：一种用于代码生成的需求对齐方法

Jia Li, Ruiqi Bai, Yangkang Luo, Yiran Zhang, Wentao Yang, Zeyu Sun, Tiankuo Zhao, Dongming Jin, Lei Li, Zhi Jin

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

AI总结 本文提出REA-Coder方法，通过需求对齐提升大语言模型的代码生成性能，实验表明其在多个编程基准测试中表现优异，平均提升率达7.93%至30.25%。

RepoShapley: Shapley-Enhanced Context Filtering for Repository-Level Code Completion

RepoShapley：基于Shapley的上下文过滤用于仓库级代码补全

Yu Huo, Kun Zeng, Siyu Zhang, Yuquan Lu, Cheng Yang, Yifu Guo, Xiaoying Tang

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

AI总结 RepoShapley通过Shapley式边际贡献监督，实现仓库级代码补全的上下文过滤，提升补全质量并减少有害上下文和冗余检索。

Comments ACL 2026 Findings

Majority Voting for Code Generation

代码生成中的多数投票

Tim Launer, Jonas Hübotter, Marco Bagatella, Ido Hakimi, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出基于功能共识的多数投票方法，通过测试输入的运行时执行签名选择最优解，提升代码生成性能，并应用于无标签的测试时强化学习。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

Exploring LLM-based Verilog Code Generation with Data-Efficient Fine-Tuning and Testbench Automation

探索基于LLM的Verilog代码生成：数据高效微调与测试平台自动化

Mu-Chi Chen, Po-Hsuan Huang, Yu-Hung Kao, Yen-Fu Liu, Yu-Kai Hung, Cheng Liang, Shao-Chun Ho, Chia-Heng Tu, Shih-Hao Hung

机构 * National Taiwan University（国立台湾大学） ； National Cheng Kung University（国立成功大学） 纠错

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

AI总结 本文提出利用多智能体模型生成高质量微调数据的测试平台，实现比现有方法更少训练数据下的Verilog生成性能。

HYPERHEURIST: A Simulated Annealing-Based Control Framework for LLM-Driven Code Generation in Optimized Hardware Design

HYPERHEURIST：一种基于模拟退火的控制框架，用于优化硬件设计中的LLM驱动代码生成

Shiva Ahir, Prajna Bhat, Alex Doboli

机构 * Department of ECE（电子工程系） ； Stony Brook University（石溪大学） 纠错

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

AI总结 本文提出HYPERHEURIST框架，通过模拟退火方法提升LLM生成RTL设计的稳定性与重复性，兼顾功能正确性和PPA优化。

Comments 8 pages, 2 figures, 5 tables. Accepted at IJCNN 2026

CodeMMR: Bridging Natural Language, Code, and Image for Unified Retrieval

CodeMMR：连接自然语言、代码和图像以实现统一检索

Jiahui Geng, Qing Li, Fengyu Cai, Fakhri Karray

机构 * MBZUAI ； Linköping University（林雪平大学） ； University of Groningen（格罗宁根大学） ； TU Darmstadt（图宾根大学） 纠错

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

AI总结 本文提出CodeMMR，通过指令式多模态对齐，将自然语言、代码和图像嵌入共享语义空间，实现跨模态和语言的强泛化，优于基线模型，并提升RAG中的代码生成精度与视觉 grounding。

Journal ref CVPR 2026

AscendKernelGen: A Systematic Study of LLM-Based Kernel Generation for Neural Processing Units

AscendKernelGen: 一种针对神经处理单元的LLM基内核生成系统研究

Xinzi Cao, Jianyang Zhai, Pengfei Li, Zhiheng Hu, Cen Yan, Bingxu Mu, Guanghuan Fang, Bin She, Jiayu Li, Yihan Su, Dongyang Tao, Xiansong Huang, Fan Xu, Feidiao Yang, Yao Lu, Chang-Dong Wang, Yutong Lu, Weicheng Xue, Bin Zhou, Yonghong Tian

机构 * Pengcheng Laboratory（鹏城实验室） ； Huawei（华为） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出AscendKernelGen框架，通过引入Ascend-CoT数据集和KernelGen-LM模型，提升NPU内核生成效率与正确性，实验显示复杂内核编译成功率从0%提升至95.5%。

Comments 33 pages,7 figures,16 tables

Information-Consistent Language Model Recommendations through Group Relative Policy Optimization

通过群体相对策略优化实现信息一致的语言模型推荐

Sonal Prabhune, Balaji Padmanabhan, Kaushik Dutta

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

AI总结 本文提出基于群体相对策略优化的强化学习框架，旨在提升语言模型在等效提示下的信息一致性，通过熵基帮助性和稳定性奖励优化模型稳定性。

Journal ref 2026 IEEE Conference on Artificial Intelligence (CAI)

LLM4C2Rust: Large Language Models for Automated Memory-Safe Code Transpilation

LLM4C2Rust: 利用大型语言模型实现自动内存安全代码转译

Sarah Bedell, Nazanin Siavash, Armin Moin

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

AI总结 本文提出基于检索增强生成的框架，利用大型语言模型与小型语言模型结合，实现C/C++到Rust的转译，提升内存安全性。实验表明该方法能有效提高代码正确性和安全性，减少原始指针解引用和不安全类型转换。

VeriCWEty: Embedding enabled Line-Level CWE Detection in Verilog

VeriCWEty: 基于嵌入的RTL代码中行级CWE检测

Prithwish Basu Roy, Zeng Wang, Anatolii Chuvashlov, Weihua Xiao, Johann Knechtel, Ozgur Sinanoglu, Ramesh Karri

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi Center for Cyber Security（纽约大学阿布扎赫德分校网络安全中心） 纠错

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

AI总结 本文提出一种基于嵌入的RTL代码中行级CWE检测框架，通过高精度识别常见CWE并定位行级漏洞，达到89%的CWE识别精度和96%的行级漏洞检测准确率。

COEVO: Co-Evolutionary Framework for Joint Functional Correctness and PPA Optimization in LLM-Based RTL Generation

COEVO：用于LLM基于RTL生成中功能正确性与PPA优化的联合进化框架

Heng Ping, Peiyu Zhang, Shixuan Li, Wei Yang, Anzhe Cheng, Shukai Duan, Xiaole Zhang, Paul Bogdan

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出COEVO框架，通过联合优化功能正确性与PPA，在单个进化循环中统一两者目标，提升RTL生成效率与性能。

Seed1.8 Model Card: Towards Generalized Real-World Agency

Seed1.8 模型卡：迈向通用的现实世界代理

Bytedance Seed

机构 * Bytedance Seed（字节跳动Seed） 纠错

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

AI总结 Seed1.8 模型旨在实现通用的现实世界代理能力，支持多轮交互、工具使用和多步骤执行，同时保持大语言模型和视觉语言性能，并提供统一的代理接口。

SeQuant Framework for Symbolic and Numerical Tensor Algebra. I. Core Capabilities

SeQuant框架用于符号和数值张量代数。I. 核心功能

Bimal Gaudel, Robert G. Adam, Ajay Melekamburath, Conner Masteran, Nakul Teke, Azam Besharatnik, Andreas Köhn, Edward F. Valeev

专题命中 代码生成 ：code generation(abstract)

AI总结 SeQuant框架结合符号计算与数值计算，通过图论张量网络简化张量表达式，优化Wick定理应用，并支持非协变张量网络及参数依赖张量模式，实现符号与数值计算的无缝集成。

COMPASS: Benchmarking Constrained Optimization in LLM Agents

COMPASS：评估LLM代理在约束优化中的表现

Tian Qin, Felix Bai, Ting-Yao Hu, Raviteja Vemulapalli, Hema Swetha Koppula, Zhiyang Xu, Bowen Jin, Mert Cemri, Jiarui Lu, Zirui Wang, Meng Cao

机构 * Harvard University（哈佛大学） ； Apple（苹果公司） ； Virginia Tech（弗吉尼亚理工学院） ； UIUC（伊利诺伊大学香槟分校） ； UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 COMPASS基准测试评估LLM代理在真实旅行规划中的约束优化能力，揭示当前模型在可行性与最优性之间存在显著差距，表明搜索空间探索不足是核心限制，编码代理提供潜在解决方案。

ZORO: Active Rules for Reliable Vibe Coding

ZORO：用于可靠振动编码的主动规则

Jenny Ma, Sitong Wang, Joshua H. Kung, Lydia B. Chilton

专题命中 软件智能体 ：coding agent(abstract)

AI总结 ZORO通过将规则转化为主动控制，提升振动编码中人类与代理对齐的可靠性，通过交互界面整合编码代理，使规则与编码过程每一步关联，并通过技术评估和用户研究验证其有效性。

Comments 19 pages, 10 figures

Empirical Investigation of Quantum Computing Toolchains and Algorithms : Mining Stack Overflow Repository

量子计算工具链和算法的实证研究：挖掘Stack Overflow仓库

Maryam Tavassoli Sabzevari, Arif Ali Khan

专题命中 仓库级理解 ：repository(title)；分类 cs.SE

AI总结 本文通过分析1404个Stack Overflow帖子，探讨开发者在量子计算领域的讨论主题、工具和算法使用情况，揭示了混合量子-经典计算和量子电路实现的主导地位，以及Qiskit和Q-sharp的主导地位。

Learning Uncertainty from Sequential Internal Dispersion in Large Language Models

从大型语言模型中的序列内部分散性中学习不确定性

Ponhvoan Srey, Xiaobao Wu, Cong-Duy Nguyen, Anh Tuan Luu

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for AI Research, VinUniversity（Vin大学人工智能研究中心） 纠错

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

AI总结 本文提出SIVR框架，通过利用隐藏状态中的token和层级特征，以更基本的假设来估计不确定性，从而提高hallucination检测的准确性和泛化能力。

Comments Accepted at ACL 2026 (Main Conference)

Applying SHAPR in AI-Assisted Research Software Development: Lessons Learnt from Building a Share Trading System

在AI辅助研究软件开发中应用SHAPR：从构建股票交易系统中获得的经验

Ka Ching Chan

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

AI总结 本文通过构建模块化股票交易系统案例，展示了SHAPR框架在AI辅助软件开发中的应用，强调持续文档更新、合同稳定编码、源码层提升连贯性等核心方法与贡献。

Comments 6 pages, 2 figures, conference paper