代码大模型 / AI 编程

Improving LLM Code Generation via Requirement-Aware Curriculum Reinforcement Learning

通过需求感知的课程强化学习改进LLM代码生成

Shouyu Yin, Zhao Tian, Junjie Chen, Shikai Guo

机构 * Tianjin University（天津大学） ； Dalian Maritime University（大连海事大学） 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RECRL框架，通过自动感知需求难度、优化挑战性需求和自适应课程采样策略，提升LLM代码生成性能，实验显示在多个基准上表现显著。

Entropy Centroids as Intrinsic Rewards for Test-Time Scaling

熵中心作为测试时缩放的内在奖励

Wenshuo Zhao, Qi Zhu, Xingshan Zeng, Fei Mi, Lifeng Shang, Yi R., Fung

机构 * HKUST（香港科技大学） ； ZJU（浙江大学） ； Huawei（华为） 纠错

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

AI总结 本文提出熵中心作为测试时缩放的内在奖励，通过分析不确定性的时间结构提升模型响应质量，在不同规模模型上均优于现有基线。

Comments Under Review, 39 pages

RunAgent: Interpreting Natural-Language Plans with Constraint-Guided Execution

RunAgent：通过约束引导执行解释自然语言计划

Arunabh Srivastava, Mohammad A., Khojastepour, Srimat Chakradhar, Sennur Ulukus

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； NEC Laboratories America, Inc.（NEC美国实验室） 纠错

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

AI总结 RunAgent通过约束引导执行解释自然语言计划，结合代理语言的显式控制构造，提升结构化工作流执行的可靠性。

Effective LLM Code Refinement via Property-Oriented and Structurally Minimal Feedback

通过属性导向和结构最小反馈的有效LLM代码细化

Lehan He, Zeren Chen, Zhe Zhang, Xiang Gao, Lu Sheng

机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） 纠错

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

AI总结 本文提出属性生成求解器（PGS），通过属性导向和结构最小反馈提升LLM代码生成的正确性，实验显示PGS在pass@1和修复率上均优于其他TDD方法。

Understanding the Human-LLM Dynamic: A Literature Survey of LLM Use in Programming Tasks

理解人与大语言模型的动态：关于大语言模型在编程任务中应用的文献综述

Deborah Etsenake, Meiyappan Nagappan

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

AI总结 本文综述了大语言模型在编程任务中的应用，分析了用户与LLM的交互行为、LLM的优缺点以及影响人类和任务表现的因素，揭示了人与LLM交互的非确定性特性。

Comments Revised version: Corrected citation errors in the Learning Check subsection (Section RQ2), updated the RQ2 summary to more accurately reflect the mixed results in the data, and added clarifying notes on implementation structure as a moderating variable for learning outcomes. 16 pages, 8 tables, 2 figures

Can Coding Agents Reproduce Findings in Computational Materials Science?

编码代理能否在计算材料科学中复现研究成果？

Ziyang Huang, Yi Cao, Ali K. Shargh, Jing Luo, Ruidong Mei, Mohd Zaki, Zhan Liu, Wyatt Bunstine, William Jurayj, Somdatta Goswami, Tyrel McQueen, Michael Shields, Jaafar El-Awady, Paulette Clancy, Benjamin Van Durme, Nicholas Andrews, William Walden, Daniel Khashabi

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 研究探讨编码代理在计算材料科学领域复现研究结果的能力，提出AutoMat基准测试，发现当前LLM代理在复现复杂科学流程时表现有限，存在流程不完整、方法偏差等问题。

Agent Factories for High Level Synthesis: How Far Can General-Purpose Coding Agents Go in Hardware Optimization?

用于高级综合的代理工厂：通用编程代理在硬件优化中能走多远？

Abhishek Bhandwaldar, Mihir Choudhury, Ruchir Puri, Akash Srivastava

机构 * IBM Corporation（IBM公司） 纠错

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

AI总结 本文研究通用编程代理在无硬件特定训练下优化硬件设计的能力，提出代理工厂流程，通过分阶段优化子内核并协调多个自主优化代理，实现全局优化，实验显示代理数量增加可显著提升性能。

Structure Liberates: How Constrained Sensemaking Produces More Novel Research Output

结构解放：如何受约束的意象生成产生更多创新性研究输出

James Mooney, Zae Myung Kim, Young-Jun Lee, Dongyeop Kang

机构 * University of Minnesota（明尼苏达大学） 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SCISENSE框架，通过结构化认知阶段提升研究输出的创新性，展示目标导向的意象生成在轨迹质量与下游任务表现上的优势。

Video Game Accessibility through Shared Control for People with Upper-Limb Impairments

通过共享控制提升视频游戏可及性：为上肢障碍者设计

Dragan Ahmetovic, Matteo Manzoni, Filippo Corti, Sergio Mascetti

专题命中 软件智能体 ：software agent(abstract)

AI总结 研究探讨了上肢障碍者通过共享控制与协作者协作或部分自动化技术进行视频游戏互动的可行性与效果。

Comments 23 pages (excluding references and appendix)

Distributed Precoding for Cell-free Massive MIMO in O-RAN: A Multi-agent Deep Reinforcement Learning Framework

基于O-RAN的细胞自由大规模MIMO分布式预编码：一种多智能体深度强化学习框架

Mohammad Hossein Shokouhi, Vincent W. S. Wong

专题命中 软件智能体 ：coding agent(abstract)

AI总结 本文提出一种多智能体深度强化学习框架，用于细胞自由大规模MIMO的分布式预编码，通过有限的信息交换降低干扰，提升整体吞吐量。

Social Bias in LLM-Generated Code: Benchmark and Mitigation

LLM生成代码中的社会偏见：基准测试与缓解

Fazle Rabbi, Lin Ling, Song Wang, Jinqiu Yang

机构 * Concordia University（康科德大学） ； Lassonde School of Engineering, York University（York大学工程学院） 纠错

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

AI总结 本文研究LLM生成代码中的社会偏见问题，通过SocialBias-Bench基准测试发现四种主流模型存在严重偏见，提出Fairness Monitor Agent (FMA)有效降低偏见并提升代码正确性。

Investigating Notable Metadata Practices in PyPI Libraries: An Empirical Study about Repository and Donation Platform URLs

对PyPI库中显著元数据实践的调查：关于仓库和捐赠平台网址的实证研究

Alexandros Tsakpinis, Nicolas Raube, Alexander Pretschner

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

AI总结 本研究通过大规模定性调查数据，分析PyPI库中仓库和捐赠平台链接的缺失或过时问题，揭示其背后的原因，并评估基于LLM的主题建模方法的鲁棒性和质量。

Comments 20 pages, 4 tables, 1 figure

Characterizing and Modeling the GitHub Security Advisories Review Pipeline

刻画和建模GitHub安全通告审查流程

Claudio Segal, Paulo Segal, Carlos Eduardo Banjar, Felipe de Sant'Anna Paixão, Hudson Silva Borges, Paulo Silveira, Eduardo Santana de Almeida, Joanna C. S. Santos, Anton Kocheturov, Gaurav Kumar Srivastava, Daniel Sadoc Menasché

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

AI总结 本文通过大规模实证研究分析GitHub安全通告审查流程，发现两类不同延迟机制，并建立队列模型以解释审查流程差异。

Comments Paper accepted at 23rd International Mining Software Repositories Conference (MSR 2026)

Phenotype discovery of traumatic brain injury segmentations from heterogeneous multi-site data

从异质多中心数据中发现创伤性脑损伤分割的表型

Adam M. Saunders, Michael E. Kim, Gaurav Rudravaram, Lucas W. Remedios, Chloe Cho, Elyssa M. McMaster, Daniel R. Gillis, Yihao Liu, Lianrui Zuo, Bennett A. Landman, Tonia S. Rex

专题命中 仓库级理解 ：repository(abstract)

AI总结 研究通过分析多中心MRI数据，揭示创伤性脑损伤的共同损伤路径，发现37个脑区存在显著差异，涉及脑干、枕叶及白质等区域。

Comments 13 pages, 7 figures. Accepted to SPIE Medical Imaging 2026: Image Processing

Electron EDM and $Γ(μ\to e γ)$ in the 2HDM

电子电偶极矩和μ→eγ的率在双双态模型中

Wolfgang Altmannshofer, Benoît Assi, Joachim Brod, Nick Hamer, J. Julio, Patipan Uttayarat, Daniil Volkov

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文首次完整计算了电子电偶极矩及μ→eγ和τ→e/μ+γ的衰变率，在无约束双双态模型中，考虑了Higgs双态与标准模型费米子的最一般杨瓦相互作用，允许Higgs势中的通用相位。

Comments 22 pages, 5 figures; corrected errors in results for $μ\to e + γ$ and $τ\to e/μ+ γ$

Journal ref JHEP 06 (2025) 156