代码大模型 / AI 编程

In Line with Context: Repository-Level Code Generation via Context Inlining

与上下文一致：通过上下文内联实现仓库级代码生成

Chao Hu, Wenhao Zeng, Yuling Shi, Beijun Shen, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出InlineCoder框架，通过内联未完成函数到调用图中，将仓库理解转化为更易处理的函数级编码任务，提升仓库级代码生成能力。

Comments Accepted to FSE 2026

Beyond the Training Distribution: Mapping Generalization Boundaries in Neural Program Synthesis

超越训练分布：神经程序合成中的泛化边界映射

Henrik Voigt, Michael Habeck, Joachim Giesen

机构 * Friedrich Schiller University（弗里德里希-席勒大学） 纠错

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

AI总结 本文通过构建领域特定算术语法规则的严格控制环境，系统评估了模型在程序合成中的泛化能力，发现优化密度泛化能提升鲁棒性，但transformers在语法扩展时表现下降30%以上，且计算规模提升与泛化能力呈对数线性关系。

From Mirage to Grounding: Towards Reliable Multimodal Circuit-to-Verilog Code Generation

从幻象到基础：迈向可靠的多模态电路到Verilog代码生成

Guang Yang, Xing Hu, Xiang Chen, Xin Xi

机构 * State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security, Hangzhou（杭州高新技术区（滨江）区块链与数据安全研究院，杭州） ； School of Artificial Intelligence and Computer Science, Nantong University（人工智能与计算机科学学院，南通大学） 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VeriGround模型，通过标识符匿名化、拒绝增强和D-ORPO对齐，解决了多模态模型在电路到Verilog代码生成中的可靠性问题，验证了真实视觉基础的重要性。

SafeTune: Mitigating Data Poisoning in LLM Fine-Tuning for RTL Code Generation

SafeTune: 缓解LLM微调中RTL代码生成的数据污染

Mahshid Rezakhani, Nowfel Mashnoor, Kimia Azar, Hadi Kamali

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

AI总结 SafeTune通过结合图神经网络和语义验证模块，有效过滤数据污染，提升LLM微调的鲁棒性和可靠性，不改变底层模型架构。

Comments This paper will be presented at IEEE VLSI Test Symposium (VTS) 2026. 5 pages, 2 figures, 4 tables

OpenClassGen: A Large-Scale Corpus of Real-World Python Classes for LLM Research

OpenClassGen: 一个大规模的真实世界Python类语料库用于大语言模型研究

Musfiqur Rahman, SayedHassan Khatoonabadi, Emad Shihab

机构 * Concordia University（康科德大学） 纠错

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

AI总结 OpenClassGen提供324,843个Python类的语料库，用于评估大语言模型的代码生成能力，通过类骨架和静态代码度量指标，支持多种应用场景。

Comments This paper has been accepted for publication at the 30th International Conference on Evaluation and Assessment in Software Engineering (EASE 2026) AI models/data track

To Diff or Not to Diff? Structure-Aware and Adaptive Output Formats for Efficient LLM-based Code Editing

要进行差异生成还是不进行差异生成？面向高效LLM代码编辑的结构感知和自适应输出格式

Wei Cheng, Yongchang Cao, Chen Shen, Binhua Li, Jue Chen, Yongbin Li, Wei Hu

机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； Tongyi Lab, Alibaba Group, China（通义实验室，阿里巴巴集团，中国） 纠错

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

AI总结 本文提出BlockDiff和FuncDiff两种结构感知差异格式及AdaEdit策略，通过减少生成复杂度提升长代码编辑效率，准确度与全代码生成相当，降低30%以上延迟和成本。

Comments Accepted in the Findings of ACL 2026

Physical Foundation Models: Fixed hardware implementations of large-scale neural networks

物理基础模型：大规模神经网络的固定硬件实现

Logan G Wright, Tianyu Wang, Tatsuhiro Onodera, Peter L. McMahon

机构 * Department of Applied Physics, Yale University, New Haven, CT 06520, USA（耶鲁大学应用物理系） ； School of Applied and Engineering Physics, Cornell University, Ithaca, NY 14853, USA（康奈尔大学应用与工程物理学院） ； Department of Electrical and Computer Engineering, Boston University, Boston, MA 02215, USA（波士顿大学电气与计算机工程系） ； NTT Physics and Informatics Laboratories, NTT Research, Inc., Sunnyvale, CA 94085, USA（NTT物理与信息学实验室，NTT研究公司） ； Kavli Institute at Cornell for Nanoscale Science, Cornell University, Ithaca, NY 14853, USA（康奈尔大学纳米科学研究所） 纠错

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

AI总结 本文探讨了物理基础模型（PFMs）的概念，提出通过物理设计实现神经网络，以提升能效、速度和参数密度，适用于大规模模型。

Diagnosing Capability Gaps in Fine-Tuning Data

诊断微调数据中的能力差距

Saeid Asgari Taghanaki, Rakshanda Agarwal, Bruce Sun, Rohan Jha, Elias Stengel-Eskin, Sara Malvar, Rui Ying, Yifei Xu, Guilherme Potje, Tusher Chakraborty, Leonardo de Oliveira Nunes, Ranveer Chandra, Emre Kiciman

机构 * Microsoft（微软） 纠错

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

AI总结 本文提出GoalCover框架，通过交互式目标分解和自动化覆盖评估，帮助检测微调数据集的能力缺口，通过实验验证其在不同领域和任务中的有效性。

Exploring the Limits of Pruning: Task-Specific Neurons, Model Collapse, and Recovery in Task-Specific Large Language Models

探索剪枝的极限：任务特定神经元、模型崩溃与任务特定大语言模型中的恢复

M. K. Khalidi Siam, Md. Tausif-Ul-Islam, Md. Reshad Romim Khan, Mohammed Ali Hossain, Mushfiqul Amin, Labib Hasan Khan, Niloy Farhan, Farig Sadeque

机构 * BRAC University（布拉格大学） 纠错

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

AI总结 研究通过系统剪枝实验揭示任务特定语言模型中神经元的专有性，发现任务特定神经元对性能至关重要，剪枝策略影响模型鲁棒性和恢复能力。

UCSC-NLP at SemEval-2026 Task 13: Multi-View Generalization and Diagnostic Analysis of Machine-Generated Code Detection

UCSC-NLP在SemEval-2026任务13中的表现：机器生成代码检测的多视角泛化与诊断分析

Kargi Chauhan, Sadiba Nusrat Nur

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

AI总结 本文提出多视角训练框架提升代码生成检测性能，针对多类别属性任务解决类别不平衡问题，通过加权训练策略提升F1分数。

Knowledge-Graph-Driven Data Synthesis for Low-Resource Software Development: A HarmonyOS Case Study

基于知识图谱的数据合成用于低资源软件开发：一个HarmonyOS案例研究

Mingwei Liu, Zheng Pei, Yanlin Wang, Zihao Wang, Zikang Li, Enci Lin, Xin Peng, Zibin Zheng

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

AI总结 本文提出APIKG4Syn框架，利用API知识图谱生成API导向的问题-代码对，提升低资源框架下的代码生成性能，通过HarmonyOS案例验证其有效性。

Learning When to Remember: Risk-Sensitive Contextual Bandits for Abstention-Aware Memory Retrieval in LLM-Based Coding Agents

学习何时记忆：风险敏感的上下文老虎机用于具有回避意识的记忆检索的LLM编码代理

Mehmet Iscan

机构 * PythaLab ； Yildiz Technical University（Yildiz技术大学） 纠错

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

AI总结 本文提出RSCB-MC方法，通过风险敏感的上下文老虎机机制，解决编码代理在记忆检索中的安全性和有效性问题，实现非注入和回避作为首要安全动作。

Comments 26 pages, 7 figures, 10 tables. Code and deterministic local artifacts are available at the repository listed in the paper

Self-Evolving Software Agents

自演化软件代理

Marco Robol, Paolo Giorgini

机构 * University of Trento（特伦托大学） 纠错

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

AI总结 本文提出自演化软件代理，结合BDI推理与大语言模型，使代理能自主进化目标、推理和可执行代码。实验显示代理可自主发现新目标并生成行为，验证了LLM驱动进化的可行性与局限性。

InteractWeb-Bench: Can Multimodal Agent Escape Blind Execution in Interactive Website Generation?

InteractWeb-Bench: 多模态代理能否在交互式网站生成中避免盲目执行？

Qiyao Wang, Haoran Hu, Longze Chen, Hongbo Wang, Hamid Alinejad-Rokny, Yuan Lin, Min Yang

机构 * Shenzhen Institute of Advanced Technology Chinese Academy of Sciences（深圳先进技术研究院中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Dalian University of Technology（大连理工大学） ； UNSW Sydney（悉尼大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

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

AI总结 本文提出InteractWeb-Bench，首个针对非专家低代码用户的多模态交互基准，通过模拟用户行为中的模糊性、冗余性和矛盾性，揭示前沿多模态大语言模型在意图识别和适应性交互上的局限。

Comments 21 pages, 13 figures, 7 tables

CI-Repair-Bench: A Repository-Aware Benchmark for Automated Patch Validation via CI Workflows

CI-Repair-Bench：基于CI工作流的自动化补丁验证仓库意识基准

Rabeya Khatun Muna, Md Nakhla Rafi, Tse-Hsun, Chen

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

AI总结 CI-Repair-Bench通过真实GitHub Actions执行构建，提供仓库级程序修复基准，包含567个CI失败实例，细粒度评估12种CI错误类型，揭示自动化修复在局部和工具强制失败上效果最佳，但环境依赖等问题仍具挑战。

BoostLoRA: Growing Effective Rank by Boosting Adapters

BoostLoRA：通过提升适配器增强有效秩

Raviteja Anantha, Nick Levato, Layne C. Price

机构 * Amazon（亚马逊） 纠错

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

AI总结 BoostLoRA通过迭代训练和合并最小适配器，提升模型有效秩，实现性能提升，优于单次低参数适配器和全微调方法。

Comments Preprint. Under review

Forecasting the Maintained Score from the OpenSSF Scorecard: A Study of GitHub Repositories Linked to PyPI Packages

基于OpenSSF评分卡的维护分数预测：对与PyPI包关联的GitHub仓库的研究

Alexandros Tsakpinis, Efe Berk Ergüleç, Emil Schwenger, Alexander Pretschner

专题命中 代码评测 ：repository(abstract)；分类 cs.SE

AI总结 本文研究如何通过机器学习和深度学习模型预测OpenSSF评分卡中的维护分数，发现聚合表示如分桶分数和趋势类型能实现较高准确率。

Comments 20 pages, 8 figures, 1 table

An Empirical Security Evaluation of LLM-Generated Cryptographic Rust Code

对LLM生成的密码学Rust代码的实证安全评估

Mohamed Elsayed, Kenneth Fulton, Jeong Yang

专题命中 代码评测 ：code generation(abstract)；分类 cs.SE

AI总结 本文评估了三种LLM生成的加密Rust代码的安全性，发现通用工具不足，提示策略对结果影响显著，且存在nonce重用等系统性问题。

Comments 10 pages, 2 figures , EASE 2026-The 6th International Workshop on Software Security Engineering

HiL-Bench (Human-in-Loop Benchmark): Do Agents Know When to Ask for Help?

HiL-Bench (Human-in-Loop Benchmark): 代理何时该请求帮助？

Mohamed Elfeki, Tu Trinh, Kelvin Luu, Guangze Luo, Nathan Hunt, Ernesto Montoya, Nandan Marwaha, Yannis He, Charles Wang, Fernando Crabedo, Alessa Castilo, Bing Liu

专题命中 代码评测 ：coding agent(abstract)；分类 cs.AI

AI总结 HiL-Bench通过评估代理在任务中何时请求帮助的能力，揭示了当前基准测试的不足。核心指标Ask-F1衡量代理在请求与猜测之间的平衡，证明判断力可通过强化学习提升。

The AI Risk Repository: A Comprehensive Meta-Review, Database, and Taxonomy of Risks From Artificial Intelligence

人工智能风险仓库：人工智能风险的全面元综述、数据库和分类

Peter Slattery, Alexander K. Saeri, Emily A. C. Grundy, Jess Graham, Michael Noetel, Risto Uuk, James Dao, Soroush Pour, Stephen Casper, Neil Thompson

机构 * MIT AI Risk Initiative（麻省理工学院人工智能风险倡议） 纠错

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

AI总结 本文构建了首个公开可访问的人工智能风险数据库，通过系统综述和专家咨询，分类了777个风险，涵盖因果因素和领域分类，为协调管理AI风险提供基础。

Journal ref Patterns 101517 (2026)

AblateCell: A Reproduce-then-Ablate Agent for Virtual Cell Repositories

AblateCell: 一个用于虚拟细胞库的可重现后消去代理

Xue Xia, Chengkai Yao, Mingyu Tsoi, Xinjie Mao, Wenxuan Huang, Jiaqi Wei, Hao Wu, Cheng Tan, Lang Yu, Yuejin Yang, Mengdi Liu, Siqi Sun, Zhangyang Gao

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of California San Diego（加州大学圣地亚哥分校） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 AblateCell通过可重现后消去方法解决AI虚拟细胞性能归因问题，实现高准确度的代码库验证与属性归因。

Comments 25 pages, 5 figures

A Survey on Dynamic Neural Networks: from Computer Vision to Multi-modal Sensor Fusion

动态神经网络综述：从计算机视觉到多模态传感器融合

Fabio Montello, Ronja Güldenring, Simone Scardapane, Lazaros Nalpantidis

机构 * DTU Electrical and Photonics Engineering, Technical University of Denmark（丹麦技术大学电气与光子工程系） ； DIET Department, Sapienza University of Rome（罗马萨皮恩扎大学DIET系） 纠错

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文综述了动态神经网络在计算机视觉中的应用，探讨了其在多模态传感器融合中的优势，提出了一种基于网络组件适应性的分类方法，并提供了相关研究的资源库。

Comments Under review at Image and Vision Computing

Niebla: an open-source code for modeling the extragalactic background light

Niebla：一种用于建模 extragalactic 背景光的开源代码

Sara Porras-Bedmar, Manuel Meyer

专题命中 其他AI编程 ：code model(abstract)

AI总结 Niebla 是首个开源代码，用于通过现象学方法计算光学至远红外波长的 extragalactic 背景光，支持自定义输入，用于建模 EBL 光学深度对伽马射线观测的影响，并区分不同尘埃再辐射模型。

Comments 20 pages, 10 figures. Accepted for publication in A&A

Quantum Filtering and Analysis of Multiplicities in Eigenvalue Spectra

量子谱的过滤与多重性分析

Zhiyan Ding, Lin Lin, Yilun Yang, Ruizhe Zhang

专题命中 其他AI编程 ：code model(abstract)

AI总结 本文提出QFAMES算法，通过物理动机假设高效识别量子哈密顿量的主导本征值簇并确定其多重性，克服了最坏情况复杂度限制，用于研究量子相变等物理性质。

Journal ref PRX Quantum 7, 020318 (2026)