代码大模型 / AI 编程

Structural Verification for Reliable EDA Code Generation without Tool-in-the-Loop Debugging

结构验证用于无需工具在回路调试的可靠EDA代码生成

Dinithi Jayasuriya, Aravind Saravanan, Nilesh Ahuja, Amanda Rios, Amit Trivedi

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

AI总结 本文提出通过强制执行结构正确性来提高EDA代码生成的可靠性与效率，采用结构依赖图作为显式执行合同，并通过验证引导合成框架进行图条件检索、约束生成和分阶段预执行验证，从而在单步和多步任务中显著提升通过率。

RECURSUM: Automated Code Generation for Recurrence Relations Exceeds Expert Optimization via LayeredCodegen

RECURSUM：通过分层代码生成实现递推关系的自动代码生成超越专家优化

Rubén Darío Guerrero

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

AI总结 RECURSUM通过分层代码生成技术，利用Python DSL生成优化的C++代码，实现递推关系的高效计算，其速度提升显著，且消除了领域知识与C++元编程的双重专业壁垒。

Comments 43 pages, 9 figures

Gradient-Based Program Synthesis with Neurally Interpreted Languages

基于神经解释语言的梯度程序合成

Matthew V. Macfarlane, Clément Bonnet, Herke van Hoof, Levi H. S. Lelis

机构 * AMLab, University of Amsterdam（阿姆斯特丹大学AMLab） ； Ndea ； Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute (Amii), Edmonton, Canada（阿尔伯塔机器智能研究所（Amii），加拿大爱德蒙顿） 纠错

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

AI总结 本文提出神经语言解释器（NLI），通过端到端学习离散符号语言，结合梯度优化实现复杂程序合成，优于上下文学习和连续潜在程序网络。

Comments 26 pages, The International Conference on Learning Representations (ICLR)

False Security Confidence in Benign LLM Code Generation

良性大语言模型代码生成中的虚假安全信心

Xiaolei Ren

专题命中 代码生成 ：code generation(title)

AI总结 本文研究在无攻击场景下，功能正确但存在安全漏洞的代码生成现象，提出FSC率作为衡量指标，并定义FSC-hard作为新的评估层次。

Comments 6 pages; technical report

Relationships Between Trust, Compliance, and Performance for Novice Programmers Using AI Code Generation

使用AI代码生成的初级程序员中信任、合规性和绩效之间的关系

Nicholas Gardella, Matthew L. Bolton, Sara L. Riggs

专题命中 代码生成 ：code generation(title)

AI总结 研究探讨了初级程序员在时间压力下使用AI开发环境时，信任与编程性能及AI合规性的关系，发现性能影响信任，但信任与合规性无直接关联。

SpecAgent: A Speculative Retrieval and Forecasting Agent for Code Completion

SpecAgent：一种用于代码补全的推测性检索与预测代理

George Ma, Anurag Koul, Qi Chen, Yawen Wu, Sachit Kuhar, Yu Yu, Aritra Sengupta, Varun Kumar, Murali Krishna Ramanathan

机构 * UC Berkeley（加州大学伯克利分校） ； Amazon Web Services（亚马逊网络服务） 纠错

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

AI总结 SpecAgent通过预索引探索和构建推测上下文，提升代码生成质量与推理效率，实验显示其在代码补全任务中比基线模型提升9-11%，显著降低推理延迟。

Comments In Proceedings of the Sixty-Fourth Annual Meeting of the Association for Computational Linguistics (2026)

BONSAI: A Mixed-Initiative Workspace for Human-AI Co-Development of Visual Analytics Applications

BONSAI：一种混合初始化的工作空间，用于人机协同开发可视化分析应用

Thilo Spinner, Matthias Miller, Fabian Sperrle-Roth, Mennatallah El-Assady

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

AI总结 BONSAI通过模块化四层架构和四阶段开发流程，结合人类和AI开发者的自主性，实现高效可视化分析应用的开发与重构。

Comments 9 pages paper, 2 pages references, 10 figures

Towards More Empathic Programming Environments: An Experimental Empathic AI-Enhanced IDE

迈向更富有同理心的编程环境：一项实验性同理心增强的IDE

Justin Rainier Go, Kurt Christian Andaya, Roemer Gabriel Caliboso, Aaron Daniel Go, Jocelynn Cu

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

AI总结 本文通过对比实验探讨同理心增强IDE对初学者编程学习的影响，发现虽无显著差异，但同理心响应在错误纠正中更具帮助性。

Comments Accepted for oral presentation at Philippine Computing Science Congress 2026

HELIX: Verified compilation of cyber-physical control systems to LLVM IR

HELIX：将网络物理控制系统验证性编译为LLVM IR

Vadim Zaliva, Yannick Zakowski, Ilia Zaichuk, Valerii Huhnin, Calvin Beck, Irene Yoon, Steve Zdancewic

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

AI总结 HELIX通过代数变换将高性能量算转换为LLVM IR，结合形式化验证确保代码正确性，展示从数学描述到高效实现的全过程。

How to Fine-Tune a Reasoning Model? A Teacher-Student Cooperation Framework to Synthesize Student-Consistent SFT Data

如何微调一个推理模型？一种教师-学生合作框架来合成学生一致的SFT数据

Zixian Huang, Kaichen Yang, Xu Huang, Feiyang Hao, Qiming Ge, Bowen Li, He Du, Kai Chen, Qipeng Guo

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出TESSY框架，通过交替生成风格和非风格标记，解决教师生成数据与学生分布之间的风格差异问题，提升推理模型性能。

RIFT: A RubrIc Failure Mode Taxonomy and Automated Diagnostics

RIFT：一种基于Rubric的故障模式分类和自动诊断

Zhengyang Qi, Charles Dickens, Derek Pham, Amanda Dsouza, Armin Parchami, Frederic Sala, Paroma Varma

机构 * Snorkel AI ； 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.AI

AI总结 本文提出RIFT框架，通过系统化分类rubric的故障模式，提升评估的可靠性与有效性，通过人类标注和自动指标验证了其一致性与实用性。