代码大模型 / AI 编程

SERA: Soft-Verified Efficient Repository Agents

SERA：软验证的高效仓库智能体

Ethan Shen, Daniel Tormoen, Saurabh Shah, Ali Farhadi, Tim Dettmers

机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Paul G. Allen School of Computer Science and Engineering（保罗·G·艾伦计算机科学与工程学院） ； Allen Institute of Artificial Intelligence（艾伦人工智能研究所） ； Machine Learning Department（机器学习系） 纠错

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

AI总结 提出SERA方法，通过软验证生成（SVG）高效训练编码智能体，使其快速适应私有代码库，在开源模型中取得领先性能且成本极低。

Comments 21 main pages, 6 pages appendix

PithTrain: A Compact and Agent-Native MoE Training System

PithTrain: 一个紧凑且面向智能体的MoE训练系统

Ruihang Lai, Hao Kang, Haozhan Tang, Akaash R. Parthasarathy, Zichun Yu, Junru Shao, Todd C. Mowry, Chenyan Xiong, Tianqi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Xlue ； NVIDIA（英伟达） 纠错

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

AI总结 提出PithTrain，一个基于智能体原生设计原则的紧凑型MoE训练框架，通过引入ATE-Bench评估智能体任务效率，在保持生产框架吞吐量的同时，将智能体任务轮次和活跃GPU时间分别降低62%和64%。

Pull Requests as a Training Signal for Repo-Level Code Editing

拉取请求作为仓库级代码编辑的训练信号

Qinglin Zhu, Tianyu Chen, Shuai Lu, Lei Ji, Runcong Zhao, Murong Ma, Xiangxiang Dai, Yulan He, Lin Gui, Peng cheng, Yeyun Gong

机构 * King's College London, UK（伦敦国王学院） ； Chinese University of Hong Kong, HK（香港中文大学） ； National University of Singapore, SG（新加坡国立大学） ； Microsoft Research Asia, CN（微软亚洲研究院） ； The Alan Turing Institute, UK（艾伦·图灵研究所） 纠错

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

AI总结 提出Clean-PR方法，利用真实GitHub拉取请求作为训练信号，通过重建和验证转换为搜索/替换编辑块，结合无代理对齐的监督微调，在SWE-bench上显著提升仓库级代码编辑性能。

Comments Accepted at ICML 2026

GPU Forecasters: Language Models as Selective Surrogates for Kernel Runtime Optimization

GPU预测器：语言模型作为内核运行时优化的选择性替代

Zaid Khan, Justin Chih-Yao Chen, Jaemin Cho, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2 ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 研究利用语言模型作为GPU内核性能的选择性替代，通过强化学习提高预测准确性和校准度，在有限GPU评估预算下加速内核搜索。

Comments Code: https://github.com/codezakh/gpu-forecasters