代码大模型 / AI 编程

Constraint Decay: The Fragility of LLM Agents in Backend Code Generation

约束衰减：后端代码生成中LLM代理的脆弱性

Francesco Dente, Dario Satriani, Paolo Papotti

机构 * EURECOM ； University of Basilicata（巴利卡塔大学） 纠错

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

AI总结 研究探讨了LLM代理在多文件后端生成中处理结构约束的能力，发现随着约束累积，性能显著下降，且框架敏感性导致不同环境下的性能差异。

ReaComp: Compiling LLM Reasoning into Symbolic Solvers for Efficient Program Synthesis

ReaComp：将LLM推理编译为符号求解器以实现高效的程序合成

Atharva Naik, Yash Mathur, Prakam, Carolyn Rose, David Mortensen

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 通过编译推理轨迹生成符号求解器，提升程序合成效率与准确性，同时减少对LLM的依赖，适用于多个基准测试任务。

A Theoretical Analysis of Test-Driven Code Generation

测试驱动代码生成的理论分析

Nicolas Menet, Michael Hersche, Andreas Krause, Abbas Rahimi

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

AI总结 本文提出概率框架分析测试驱动开发中代码生成与选择策略，证明模糊功能相似性估计器在信号噪声比上优于功能等价性估计器，并通过实验验证了回提示在任务描述模糊性下的有效性。

Comments preprint

Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation

基于可证明预算保守的检索条件拓扑选择多智能体代码生成

Abhijit Talluri, Pujith Anne, Bhagavan Choudary Pendiyala, Raghavendra Chilukuri

机构 * Independent Researcher（独立研究者） 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RGAO架构，通过提取代码结构复杂度向量实现多智能体代码生成系统的拓扑选择，结合复杂度条件LLM路由与形式资源代数，实现可证明的预算保守性，降低误路由率并提升代码检索效率。

Comments 30 pages, 9 figures. NeurIPS 2026 Evaluations and Datasets Track Submission Under review

Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code

连接生成与训练：LLMs用于代码的品质问题系统综述

Kaifeng He, Xiaojun Zhang, Peiliang Cai, Mingwei Liu, Yanlin Wang, Chong Wang, Kaifeng Huang, Bihuan Chen, Xin Peng, Zibin Zheng

机构 * Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文系统综述114项研究，探讨训练数据质量如何影响代码生成质量，建立统一分类体系，提出18种传播机制，并总结检测与缓解技术，指出质量保障正从事后过滤转向数据驱动的闭环修复。

Rethinking Adapter Placement: A Dominant Adaptation Module Perspective

重新思考适配器放置：从主导适配模块视角出发

Suoxin Zhang, Run He, Di Fang, Xiang Tan, Kaixuan Chen, Huiping Zhuang

机构 * South China University of Technology, China（华南理工大学） ； Zhejiang University, China（浙江大学） 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DomLoRA方法，通过在主导适配模块放置单个适配器，以提升模型性能，验证了该模块在不同任务中的稳定性。

Sampling from Your Language Model One Byte at a Time

逐字采样你的语言模型

Jonathan Hayase, Alisa Liu, Noah A. Smith, Sewoong Oh

机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能算法研究所） 纠错

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

AI总结 本文提出一种方法，将自回归语言模型转换为字符或字节级模型，解决提示边界问题，统一不同分词器的语言模型词汇。

Comments 28 pages, 9 figures

Evaluating Non-English Developer Support in Machine Learning for Software Engineering

评估机器学习软件工程中非英语开发者支持

Jonathan Katzy, Yongcheng Huang, Gopal-Raj Panchu, Maksym Ziemlewski, Paris Loizides, Sander Vermeulen, Arie van Deursen, Maliheh Izadi

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

AI总结 研究评估非英语代码注释生成及现有评估方法的可靠性，发现非英语环境下生成性能显著下降，自动评估方法无法可靠区分正确与错误注释。

On Fixing Insecure AI-Generated Code through Model Fine-Tuning and Prompting Strategies

通过模型微调和提示策略修复不安全的AI生成代码

Ali Soltanian Fard Jahromi, Amjed Tahir, Peng Liang, Foutse Khomh

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

AI总结 本文系统研究了通过模型微调和提示策略增强AI生成代码安全性的方法，分析了不同策略和模型对安全性的提升效果，发现安全改进高度依赖策略和模型，且修复某些漏洞可能引入新漏洞。

CircuitFormer: A Circuit Language Model for Analog Topology Design from Natural Language Prompt

CircuitFormer：一种用于从自然语言提示中进行模拟拓扑设计的电路语言模型

Md Touhidul Islam, Sujan Kumar Saha, Farimah Farahmandi, Mark Tehranipoor

机构 * Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL, USA（佛罗里达大学电气与计算机工程系，盖恩斯维尔，佛罗里达州，美国） 纠错

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

AI总结 本文提出CircuitFormer，一种专门用于模拟拓扑设计的电路语言模型，通过改进的电路图分词器CKT，实现了更高效的电路拓扑表示，提升了设计准确率和效率。

AgenticPrecoding: LLM-Empowered Multi-Agent System for Precoding Optimization

代理预编码：基于LLM的多智能体系统用于预编码优化

Zijiu Yang, Zixiang Zhang, Shunpu Tang, Qianqian Yang, Zhiguo Shi

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出AgenticPrecoding框架，通过多智能体系统自动推导端到端预编码，提升未来6G网络中异构场景的适应性。