代码大模型 / AI 编程

Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning

通过多标准潜在推理进行编码代理的上下文剪枝

Jingjing Wang, Xiwen Chen, Wenhui Zhu, Huayu Li, Zhengxiao He, Feiyang Cai, Ana S. Carreon-Rascon, Xuanzhao Dong, Feng Luo

机构 * Clemson University（克莱姆森大学） ； Morgan Stanley（摩根大通） ； Arizona State University（亚利桑那州立大学） ； University of Arizona（亚利桑那大学） 纠错

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

AI总结 本文提出LaMR框架，通过分解代码相关性为语义证据和依赖支持两个维度，利用多任务CRF模型提升编码代理的上下文剪枝效果，实验表明其在多个基准测试中表现优异。

Do Coding Agents Understand Least-Privilege Authorization?

编码代理是否理解最小特权授权？

Zheng Yan, Jingxiang Weng, Charles Chen, Dengyun Peng, Ethan Qin, Jiannan Guan, Jinhao Liu, Qiming Yu, Yixin Yuan, Fanqing Meng, Carl Che, Mengkang Hu

机构 * Evolvent AI Research Team（Evolvent AI研究院） 纠错

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

AI总结 研究编码代理是否能自主推断最小特权授权边界，提出Sufficiency-Tightness Decomposition方法，提升敏感任务成功率并降低攻击成功率。

Effective Harness Engineering for Algorithm Discovery with Coding Agents

高效Harness工程在编码代理算法发现中的应用

Yoichi Ishibashi, Taro Yano, Masafumi Oyamada

机构 * Gemini ； Algorithmicsuperintelligence（算法智能） 纠错

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

AI总结 本文探讨了在固定token预算下，生成更多算法还是更深入思考每个算法的优劣，以及如何处理评估黑客和安全并行执行的问题，通过Vesper框架验证了深入思考每个算法更高效。

CodeDistiller: Automatically Generating Code Libraries for Scientific Coding Agents

CodeDistiller：自动为科学编码代理生成代码库

Peter Jansen, Samiah Hassan, Pragnya Narasimha

机构 * University of Arizona（亚利桑那大学） ； Allen Institute for Artificial Intelligence（人工智能研究所） 纠错

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

AI总结 CodeDistiller通过自动提炼科学GitHub仓库代码，生成经过验证的领域特定代码库，提升科学发现系统实验的准确性与完整性。

Comments 8 pages, 3 figures, 3 tables. Accepted to ACL 2026 (Demo Track)

Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search

优化的三维光伏结构与LLM引导的树搜索

Michael P. Brenner, Lizzie Dorfman, John C. Platt

机构 * Google Research School of Engineering and Applied Sciences, Harvard University（谷歌研究工程与应用科学学院，哈佛大学） ； Google Research（谷歌研究） 纠错

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

AI总结 本文利用AI编码系统生成新型科学假设，通过LLM驱动的树搜索算法优化三维光伏结构，解决中纬度地区传统光伏板的效率瓶颈问题。

Comments 10 pages 7 figures

Learning Disentangled Representations for Generalized Multi-view Clustering

学习解耦表示以实现通用多视图聚类

Xin Zou, Ruimeng Liu, Chang Tang, Zhenglai Li, Xinwang Liu, Kunlun He, Wanqing Li

机构 * AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能方向） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Computer, National University of Defense Technology（国防科技大学计算机学院） ； Medical Big Data Research Center, Medical Engineering Laboratory of Chinese PLA General Hospital（中国人民解放军总医院医学大数据研究中心，医学工程实验室） ； School of Computing and Information Technology, University of Wollongong（沃林根大学计算与信息学院） 纠错

专题命中 软件智能体 ：repository(abstract)

AI总结 本文提出GMAE框架，通过解耦表示学习保留多视图互补性，提升聚类效果。实验表明其在完整和不完整多视图聚类任务中均优于现有方法。

Comments accepted by IEEE TPAMI 2026 (IEEE Transactions on Pattern Analysis and Machine Intelligence)