代码大模型 / AI 编程

GA-VisAgent: A Multi-Agent application for code generation and visualization in interactive learning

GA-VisAgent：一种用于交互式学习中代码生成和可视化的多智能体应用

Wang Jian, Zhou Jianbo, Xiong Yuhao, Liu Zhenxia, Luo Wen, Yuan LinWang, Yu ZhaoYuan

机构 * School of Geography, Nanjing Normal University, Nanjing 210023, Jiangsu, China（地理学院，南京师范大学） ； School of Environment, Nanjing Normal University, Nanjing 210023, Jiangsu, China（环境学院，南京师范大学） ； Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing Normal University, Nanjing 210023, Jiangsu, China（虚拟地理环境重点实验室，南京师范大学） ； Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development（江苏省地理信息资源开发与应用协同创新中心） 纠错

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

AI总结 GA-VisAgent基于GAGPT提出多智能体应用，通过任务规划和ReAct策略生成代码并提供可视化，实验显示在40个典型Conformal GA任务中代码生成成功率达90%，比GPT-4o提升70%。

MAD-OPD: Breaking the Ceiling in On-Policy Distillation via Multi-Agent Debate

MAD-OPD: 突破基于策略的蒸馏的天花板：多智能体辩论

Jianze Wang, Ying Liu, Jinlong Chen, Xuchun Hu, Qilong Zhang, Yu Cao, Jun Wang, Hua Yang, Yong Xie, Qianglong Chen

机构 * School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 MAD-OPD通过多智能体辩论机制突破单教师限制，提出多教师辩论框架和基于任务的分歧原理，提升代理任务和代码生成性能。

Comments Preprint. 9-page main paper + appendix. 8 figures, 7 tables. Code: https://github.com/chiefovoavicii/MAD-OPD

LLM Ghostbusters: Surgical Hallucination Suppression via Adaptive Unlearning

LLM Ghostbusters: 通过自适应反学习实现精准幻觉抑制

Joseph Spracklen, Pedram Aghazadeh, Farinaz Koushanfar, Murtuza Jadliwala

机构 * University of Texas San Antonio（德克萨斯大学圣安东尼奥分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 本文提出自适应反学习框架，通过混合token级目标和自适应发现循环，有效抑制LLM幻觉，减少81%的包幻觉率，同时保持编码基准性能，验证其对特定分布的针对性效果。

Using LLMs in Software Design: An Empirical Study of GitHub and A Practitioner Survey

在软件设计中使用LLMs：GitHub和实践者调查的实证研究

Yifei Wang, Ruiyin Li, Peng Liang, Yangxiao Cai, Zengyang Li, Mojtaba Shahin, Arif Ali Khan, Qiong Feng

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Central China Normal University（中央财经大学计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院） ； M3S Research Unit, University of Oulu（奥卢大学M3S研究单位） ； School of Computer Science, Nanjing University of Science（南京理工大学计算机学院） 纠错

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

AI总结 本文通过实证研究和调查，探讨开发者如何利用LLM进行软件设计，发现LLM在架构设计、数据模型设计等方面的应用，揭示其优势与局限性。

Comments 29 pages, 8 images, 6 tables, Manuscript submitted to a Journal (2026)

Feedback-Normalized Developer Memory for Reinforcement-Learning Coding Agents: A Safety-Gated MCP Architecture

反馈归一化的开发者内存用于强化学习编码代理：一种安全门控MCP架构

Mehmet Iscan

机构 * PythaLab, Yildiz Technical University, Istanbul, Türkiye（PythaLab，伊兹密尔技术大学，伊斯坦布尔，土耳其） 纠错

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

AI总结 本文提出RL Developer Memory架构，通过归一化反馈和安全门控机制提升强化学习编码代理的内存管理，实验证明其在确定性任务中的有效性。

Comments 25 pages, 5 figures, 7 tables. Preprint. Implementation and supplementary artifacts are available at the project repository

Beyond the 'Diff': Addressing Agentic Entropy in Agentic Software Development

超越'差异'：应对代理软件开发中的代理熵

Matteo Casserini, Alessandro Facchini, Andrea Ferrario

机构 * Dipartimento Tecnologie Innovative, SUPSI（技术创新部，SUPSI） ； Dalle Molle Institute for Artificial Intelligence (IDSIA), SUPSI（达勒莫利人工智能研究所（IDSIA），SUPSI） ； Management in Networked and Digital Societies (MINDS) Department, Kozminski University（网络化与数字化社会管理（MINDS）系，科津斯基大学） ； Institute of Biomedical Ethics and History of Medicine, University of Zurich（生物医学伦理与医学史研究所，苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出一种过程导向的可解释框架，通过时间、工具调用和架构边界揭示代理决策过程，解决代理行为与架构意图的偏离问题，为代理监控提供意图层面的 telemetry。

Comments Camera-ready version of the position paper accepted to the Human-Centered Explainable AI (HCXAI) Workshop at CHI 2026

ECG-biometrics-bench: A Unified Framework for Reproducible Benchmarking of ECG Biometrics

ECG生物特征-基准: 一个统一的可重复基准测试框架用于ECG生物特征

Milad Parvan

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出ECG-biometrics-bench框架，用于可重复评估ECG生物特征，揭示随机分割谬误，展示模型失效并非特定于模型，且通过动态多会话模板融合缓解时间老化影响。

Comments Under review

Agentic AI Systems Should Be Designed as Marginal Token Allocators

代理AI系统应作为边际令牌分配经济体进行设计

Siqi Zhu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出代理AI系统应以边际令牌分配经济体为设计框架，揭示各层在边际效益等于边际成本加延迟成本加风险成本的条件下，导致局部优化全局失衡的问题，提出令牌意识评估、自主定价、拥堵定价和服务风险调整等研究方向。

ATR-Bench: A Federated Learning Benchmark for Adaptation, Trust, and Reasoning

ATR-Bench：一种用于适应、信任和推理的联邦学习基准

Tajamul Ashraf, Mohammed Mohsen Peerzada, Moloud Abdar, Yutong Xie, Yuyin Zhou, Xiaofeng Liu, Iqra Altaf Gillani, Janibul Bashir

专题命中 代码评测 ：repository(abstract)；分类 cs.CL、cs.LG

AI总结 ATR-Bench通过适应、信任和推理三个维度系统评估联邦学习方法，分析其概念基础、任务形式化及开放挑战，提供基准测试和文献驱动洞察，推动实际应用中的联邦学习发展。

Comments This paper is withdrawn due to issues in attribution to related work and the fair attribution of benchmark results, which were not adequately addressed at the time of submission. These issues affect the experimental analysis and require substantial revision

AMSnet-q: Unsupervised Circuit Identification and Performance Labeling for AMS Circuits

AMSnet-q：无监督的电路识别与性能标注用于AMS电路

Ze Zhang, Junzhuo Zhou, Yichen Shi, Zhuofu Tao, Rui Ji, Zhiping Yu, Quan Chen, Ting-Jung Lin, Lei He

机构 * Southern University of Science and Technology（南方科技大学） ； University of California Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学） ； Eastern Institute of Technology Ningbo（宁波东部技术研究院） 纠错

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

AI总结 AMSnet-q通过无监督方法自动构建AMS电路数据库，实现电路功能验证和性能标注，无需人工干预。

A Hybrid Windkessel-Neural Approach for Improved Noninvasive Blood Pressure Monitoring

一种结合风阻和神经网络的方法用于改进无创血压监测

Vaibhav Gollapalli, Aniruth Ananthanarayanan

机构 * University of North Texas（北卡罗来纳州立大学） 纠错

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

AI总结 本文提出结合风阻模型与机器学习的方法，通过将风阻模型转化为可应用于神经网络的ODE系统，提升血压预测的物理一致性和鲁棒性。

A tutorial for mesoscale computer simulations of lipid membranes: tether pulling, tubulation and fluctuation

脂双层膜 mesoscale 计算模拟教程： tether 拉伸、管状化和波动

Maitane Muñoz-Basagoiti, Felix Frey, Billie Meadowcroft, Miguel Amaral, Adam Prada, Anđela Šarić

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文介绍mesoscale粗粒化膜模拟（CGMS）的教程，涵盖膜模拟建模方法、CGMS开发指导及tether拉伸、管状化和波动的实操教程，提供可运行的教程仓库。

Journal ref Soft Matter, 2025, 21, 7736-7756

Reinforcement Learning from Compiler and Language Server Feedback

从编译器和语言服务器反馈中学习强化学习

Yifan Zhang, Lanser Contributors

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 程序分析与验证 ：coding agent(abstract)；分类 cs.SE、cs.CL、cs.AI

AI总结 本文提出RLCSF方法和Lanser-CLI工具，通过编译器和语言服务器的反馈信号提升编码代理的可靠性，利用确定性奖励函数和分析捆绑技术实现过程监督。

Comments Project Page: https://github.com/yifanzhang-pro/lanser-cli

Fine-Tuning Pre-Trained Code Models for AI-Generated Code Detection

针对AI生成代码检测的预训练代码模型微调

Jany-Gabriel Ispas, Sergiu Nisioi

机构 * Human Language Technologies Research Center（人类语言技术研究中心） ； Faculty of Mathematics and Computer Science（数学与计算机科学系） ； University of Bucharest（布加勒斯特大学） 纠错

专题命中 其他AI编程 ：code model(title,abstract)；分类 cs.CL

AI总结 本文提出通过微调四个预训练代码模型，解决AI生成代码二分类和生成模型归因问题，取得较高宏F1分数。

Comments Archaeology at SemEval-2026 Task 13

Growing Transformers: Modular Composition and Layer-wise Expansion on a Frozen Substrate

生长变换器：在固定基质上的模块化组合与逐层扩展

A. Bochkov

机构 * Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院） 纠错

专题命中 其他AI编程 ：code model(abstract)；分类 cs.CL、cs.LG

AI总结 本文研究了在固定接口下训练解码器Transformer的约束训练方法，通过逐层扩展模型并保持可训练参数预算，展示了在有限参数下持续学习的可行性及与密集训练的权衡。

Comments Limitations added