代码大模型 / AI 编程

ModuLoop : Low-Level Code Generation using Modular Synthesizer and Closed-Loop Debugger for Robotic Control

ModuLoop: 使用模块化合成器和闭环调试器进行机器人控制的低级代码生成

Gina Yoon, Sumin Lee, Joo Yong Sim

机构 * Department of Mechanical Systems Engineering, Sookmyung Women’s University（苏州市女子大学机械系统工程系） 纠错

专题命中 代码生成 ：code generation(title,abstract)

AI总结 提出闭环模块化代码合成框架，利用预训练大语言模型进行模块化代码规划与生成，并通过迭代执行和调试探针实现系统调试与优化，成功应用于RGB-D相机与机械臂标定及抓取任务。

Comments IEEE Robotics and Automation Letters (2025)

When Model Merging Breaks Routing: Training-Free Calibration for MoE

当模型合并破坏路由：MoE的无训练校准

Canbin Huang, Tianyuan Shi, Xiaojun Quan, Jingang Wang, Jianfei Zhang, Qifan Wang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 针对MoE架构中模型合并导致的路由崩溃问题，提出基于二阶曲率的无训练校准方法HARC，通过闭式解和共轭梯度法高效重对齐路由器，显著提升数学推理和代码生成性能。

AlgoTouch: An Execution-Centered Approach to Incremental Construction of Imperative Programs

AlgoTouch: 一种以执行为中心的命令式程序增量构建方法

Michel Adam, Patrice Frison, Sabine Letellier Zarshenas, Moncef Daoud

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

AI总结 提出AlgoTouch系统，通过直接操作程序数据并记录执行行为，增量构建命令式程序，自动合成控制结构并生成多种主流语言代码。

KForge: LLM-Driven Cross-Platform Kernel Generation for AI Accelerators

KForge：面向AI加速器的LLM驱动跨平台内核生成

Taras Sereda, Burak Bartan, Ankita Nayak, Tom St. John, Natalie Serrino, Zain Asgar

机构 * Gimlet Labs Inc（Gimlet实验室） 纠错

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

AI总结 提出KForge框架，通过两个协作的LLM代理（生成代理和性能分析代理）迭代优化，自动生成跨平台高性能内核，在NVIDIA B200和Intel Arc B580上分别实现2.12%的吞吐量提升和5.13倍的几何平均加速。

Comments Accepted at ISCA 2026 Workshop MLArchSys

Many a Little Makes a Mickle: A Code-Centric Empirical Study of Data Minimization Principle in Android App Development

积少成多：以代码为中心的Android应用开发中数据最小化原则的实证研究

Dianshu Liao, Shidong Pan, Zhenchang Xing, Xiaoyu Sun

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

AI总结 通过对1114个开源Android应用的实证研究，识别出五个数据处理阶段中的十种数据最小化场景，并基于9875个真实APK的大规模分析提炼出31条可操作的编码指南，同时发现LLM生成的代码会重现数据最小化风险实践，而纳入指南可消除这些问题。

DFlare: Scaling Up Draft Capacity for Block Diffusion Speculative Decoding

DFlare: 扩展块扩散推测解码的草稿容量

Jiebin Zhang, Zhenghan Yu, Song Liu, Eugene J. Yu, Zheng Li, Dawei Zhu, Jiangshan Duo, Weimin Xiong, Yifan Song, Guanghua Yu, Jianchen Zhu, Sujian Li

机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Tencent（腾讯） 纠错

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

AI总结 提出DFlare方法，通过轻量级逐层融合机制扩展草稿模型容量，在多个基准上实现平均5.52倍加速。

Comments 12 pages, 3 figures

Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization

协同进化智能体架构与可解释推理用于自动化优化

Jiahao Huang, Peilan Xu, Xiaoya Nan, Wenjian Luo

机构 * School of Artificial Intelligence, Nanjing University of Information Science and Technology（南京信息工程大学人工智能学院） ； Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies, Institute of Cyberspace Security, School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） 纠错

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

AI总结 提出EvoOR-Agent协同进化框架，通过将智能体工作流表示为活动边网络，并利用图介导的路径条件重组、多粒度语义变异和精英种群更新，实现自动化优化中的自适应协调与可解释推理。

Proceedings First International Workshop on Formal Techniques for Safety-Critical Systems

第一届安全关键系统形式化技术国际研讨会论文集

Peter Csaba Ölveczky, Cyrille Artho

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

AI总结 本文介绍了FTSCS 2012研讨会的论文集，该研讨会旨在促进形式化方法在安全关键系统（如航空、汽车和医疗系统）中的应用，并收录了9篇经过严格评审的常规论文。

Journal ref EPTCS 105, 2012

Model-Based Development of Distributed Embedded Systems by the Example of the Scicos/SynDEx Framework

基于模型的分布式嵌入式系统开发——以Scicos/SynDEx框架为例

Bernhard Fischer

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

AI总结 本文通过Scicos/SynDEx框架研究基于模型的开发（MBD）在分布式嵌入式系统中的可行性，实验表明MBD在单处理器应用中会带来额外内存消耗，且分布式代码生成需大幅修改调度表，目前仅推荐用于实验目的。

Comments 146 pages, Master's Thesis

Distributed Model Predictive Consensus via the Alternating Direction Method of Multipliers

基于交替方向乘子法的分布式模型预测一致性

Tyler H. Summers, John Lygeros

专题命中 代码生成 ：code generation(abstract)

AI总结 提出一种分布式优化方法，利用交替方向乘子法（ADMM）解决分布式模型预测一致性问题，实现双积分器网络的位置和速度一致性，并通过少量迭代达到接近集中式优化的闭环性能。

Comments 7 pages, 5 figures, 50th Allerton Conference on Communication, Control, and Computing, Monticello, IL, USA, 2012

Communicating Processes with Data for Supervisory Coordination

带数据的通信进程用于监督协调

Jasen Markovski

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出一种带数据的进程理论，通过区分观察与监督的信息流并利用数据紧凑表达协调需求，支持基于模型的系统工程框架用于监督协调，并以Oce打印机维护协调案例验证。

Comments In Proceedings FOCLASA 2012, arXiv:1208.4327

Journal ref EPTCS 91, 2012, pp. 97-111

DOLFIN: Automated Finite Element Computing

DOLFIN: 自动化有限元计算

Anders Logg, Garth N. Wells

专题命中 代码生成 ：code generation(abstract)

AI总结 本文介绍了一个利用自动代码生成技术，以高效计算实现有限元方法求解偏微分方程的库，提供了C++和Python接口。

Journal ref ACM Transactions on Mathematical Software 37(2), Article 20 (April 2010), 28 pages

Handoff Debt: The Rediscovery Cost When Coding Agents Take Over Interrupted Tasks

交接债务：当编码代理接管被中断任务时的重新发现成本

Dipesh KC, Anjila Budathoki

机构 * Independent Researcher（独立研究者） ； Georgia State University（佐治亚州立大学） 纠错

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

AI总结 本文通过引入“交接债务”概念，研究编码代理在任务中断后从部分状态恢复时的重新发现成本，并提出一种接管协议来量化不同交接视图对后继代理效率的影响。

Toward Training Superintelligent Software Agents through Self-Play SWE-RL

通过自我对弈SWE-RL训练超级智能软件代理

Yuxiang Wei, Zhiqing Sun, Emily McMilin, Jonas Gehring, David Zhang, Gabriel Synnaeve, Daniel Fried, Lingming Zhang, Sida Wang

机构 * Meta FAIR ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta TBD Lab（Meta TBD 实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 提出自我对弈SWE-RL（SSR）方法，通过强化学习在自对弈环境中训练单一LLM代理，使其在无需人工标注问题或测试的情况下，在真实代码库中迭代注入和修复软件缺陷，在SWE-bench基准上实现显著自我改进并超越人类数据基线。

Comments Accepted to ICML 2026

AgentLens: Revealing The Lucky Pass Problem in SWE-Agent Evaluation

AgentLens: 揭示 SWE-Agent 评估中的幸运通过问题

Priyam Sahoo, Gaurav Mittal, Xiaomin Li, Shengjie Ma, Benjamin Steenhoek, Pingping Lin, Yu Hu

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

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

AI总结 针对软件工程智能体评估中仅依赖最终补丁是否通过测试的二元信号问题，提出AgentLens框架进行过程级评估，通过构建前缀树接受器参考和上下文敏感意图标注器，识别出10.7%的通过轨迹存在“幸运通过”行为，并基于质量分数将轨迹分为幸运、扎实和理想三个等级。

Human-AI Collaboration and the Transformation of Software Engineering Work

人机协作与软件工程工作的转型

Mamdouh Alenezi

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

AI总结 本文通过结构化综合分析方法，研究了生成式AI和智能体AI如何将软件工程从以人类编写代码为中心转变为以指导、验证和管理自主及半自主系统为中心，并提出了一个包含技术、认知、社会技术、治理和组织五个维度的未来工程师能力框架。

What You Approve Is What Executes: Consent Integrity for Black-Box LLM Agents

你批准即执行：黑盒LLM代理的同意完整性

Xiaoqi Weng

专题命中 软件智能体 ：coding agent(abstract)

AI总结 针对黑盒LLM代理的批准对话框存在摘要伪造漏洞，本文引入同意完整性概念，通过可信中介确保人类看到的动作与真实执行的动作一致，并分析了该机制的局限性与权衡。

Comments Preprint. IEEE conference format. Proof-of-concept; artifact at https://github.com/zjnbwxq/agentguard-ci

Automated Repair of Requirements for Cyber-Physical Systems in Simulink Requirements Tables

Simulink需求表中信息物理系统的需求自动修复

Aren A. Babikian, Alessio Di Sandro, Federico Formica, Claudio Menghi, Marsha Chechik

专题命中 程序修复 ：program repair(abstract)；分类 cs.SE

AI总结 提出一种利用系统执行数据修复信息物理系统需求以恢复需求与系统一致性的框架，并在六个真实案例中验证其有效性。

Comments 24 pages, 7 figures, accepted to FSE 2026 Research Track

Exploiting Verification-Generation Gap: Test-Time Reinforcement Learning with Confidence-Conditioned Verification

利用验证-生成差距：基于置信度条件的测试时强化学习

Jiahui Li, Jianfeng Shan, Wenpei Chen, Shunyu Wu, Jian Lou, Wenjie Feng, Dan Li, See-Kiong Ng

机构 * Sun Yat-Sen University（中山大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.AI、cs.LG

AI总结 提出TTRL-CoCoV框架，通过置信度自适应机制解决无标签设置下Pass@k优化中的伪标签错误和多样性崩溃问题，显著提升Pass@1和Pass@k性能。

CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions

CodeHacker: 用于检测竞赛编程解决方案漏洞的自动化测试用例生成

Jingwei Shi, Xinxiang Yin, Jing Huang, Jinman Zhao, Shengyu Tao

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Northwestern Polytechnical University（西北工业大学） ； Meituan（美团） ； University of Toronto（多伦多大学） 纠错

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

AI总结 提出CodeHacker框架，通过多策略对抗测试用例生成（压力测试、反哈希攻击、逻辑特定攻击）和校准阶段，有效暴露程序漏洞，提升测试集真负率并增强RL训练模型性能。

VeRO: A Harness for Agents to Optimize Agents

VeRO: 用于优化智能体的智能体框架

Varun Ursekar, Apaar Shanker, Veronica Chatrath, Yuan Xue, Samuel Marc Denton

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

AI总结 提出 VeRO 框架和 VeRO-Bench 基准，通过版本化快照、预算控制评估和结构化执行轨迹来优化智能体代码，并实验比较不同优化器对目标智能体的改进效果。

Comments Accepted to the Forty-Third International Conference on Machine Learning (ICML), 2026

Diagnosing Knowledge Gaps in LLM Tool Use: An Agentic Benchmark for Novel API Acquisition

诊断大语言模型工具使用中的知识缺口：面向新API获取的智能体基准

Jinnuo Liu, Yue Peng, Jinhan Niu, Hongyi Wen

机构 * NYU Shanghai（纽约大学上海分校） 纠错

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

AI总结 提出 NovelAPIBench 基准，通过动态发现新API、分解知识包并生成可执行任务，诊断模型在API使用中的六类错误，发现检索与参数调优互补。

Comments 37 pages, 12 figures

Synthetic Hallucinations, Real Gains: Hard Negatives from Frontier Models for FIM Hallucination Mitigation

合成幻觉，真实收益：来自前沿模型的硬负样本用于FIM幻觉缓解

Mahdi Erfanian, Nelson Daniel Troncoso, Aashna Garg, Amabel Gale, Xiaoyu Liu, Pareesa Ameneh Golnari, Shengyu Fu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Microsoft（微软） 纠错

专题命中 代码评测 ：code model(abstract)；分类 cs.LG

AI总结 针对小型开源代码模型在IDE自动补全中产生的填充中间（FIM）幻觉问题，提出一种无需执行的替代方法：利用前沿代码模型合成看似合理但错误的补全作为硬负样本，通过对比合成幻觉与真实开发者编辑的差异作为监督微调信号，在Delulu基准上提升精确匹配18.8个百分点。

COD10K-C: Benchmarking Robustness of Camouflaged Object Detection Under Natural Image Corruptions

COD10K-C：自然图像损坏下伪装目标检测的鲁棒性基准测试

Arafat Hossain Sayem

机构 * CSE, Bangladesh University of Engineering and Technology（孟加拉国工程与技术大学计算机科学与工程系） 纠错

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

AI总结 提出COD10K-C基准，包含8种损坏类型和5个严重级别，评估伪装目标检测模型在损坏图像上的性能，并引入轻量级模型RobustCODLite，通过损坏增强、频率先验分支和不确定性一致性损失，在损坏条件下保持较高Dice分数。

Comments 7 pages, 1 figure

Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains

无排序RAG：用选择替代重排序以应用于敏感领域

Yash Saxena, Ankur Padia, Mandar S Chaudhary, Kalpa Gunaratna, Srinivasan Parthasarathy, Manas Gaur

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 提出METEORA框架，通过DPO微调LLM生成检索理由、统计肘部检测自适应截断和验证器过滤，在敏感领域实现可解释、高效且鲁棒的证据选择，无需重排序。

Comments ICML 2026

Annot-Mix: Learning with Noisy Class Labels from Multiple Annotators via a Mixup Extension

Annot-Mix: 通过混合扩展从多个标注者学习带噪声类别标签

Marek Herde, Lukas Lührs, Denis Huseljic, Bernhard Sick

机构 * University of Kassel（卡塞尔大学） ； European Conference on Artificial Intelligence（欧洲人工智能会议） ； Conference on Prestigious Applications of Intelligent Systems（智能系统 prestigious 应用会议） 纠错

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

AI总结 提出Annot-Mix框架，通过扩展mixup处理多标注者提供的类别标签，在11个数据集上优于11种现有方法。

Comments 9 pages, 8 figures, 4 tables; post-publication arXiv version with minor editorial corrections; methodology, results, and conclusions unchanged

Journal ref ECAI 2024: 27th European Conference on Artifical Intelligence, IOS Press, pp. 2910-2918, 2024

Dependency-Guided Repository-Level C-to-Rust Translation with Reinforcement Alignment

依赖引导的仓库级C到Rust翻译与强化对齐

Jia Feng, Wenjie Gan, Cuiyun Gao, Chaozheng Wang, Feng Luo, Xin Xia, Ge Li, Kui Liu

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

AI总结 提出DepTrans框架，通过强化对齐语法训练和依赖引导迭代精炼，实现仓库级C到Rust的高效翻译，编译成功率和计算准确性分别提升22.8和17.3个百分点。

Comments Accepted by FSE 2026 Industry

Can AI be Easy? Lessons Learned from the EZR.py Toolkit

AI 可以简单吗？从 EZR.py 工具包中汲取的经验教训

Tim Menzies, Srinath Srinivasan

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

AI总结 本文通过开发仅 400 行的 EZR.py 工具包，证明在表格软件工程优化任务中，通过阅读和重构代码可以简化 AI 算法，使小型统一工具包在性能上媲美甚至超越大型库。

Online K-d tree for approximate neighborhood search in data streams

数据流中近似邻域搜索的在线K-d树

Eduardo V. L. Barboza, Robert Sabourin, Rafael M. O. Cruz

专题命中 仓库级理解 ：repository(abstract)

AI总结 提出一种在线K-d树算法，支持数据流上的动态更新，并适配Canberra距离以保持结构不变性，实现高效近似邻域搜索，在准确率损失较小的情况下显著提升处理速度。

Comments Paper accepted to the ICPRAI 2026

SLSim: a strong lensing population simulation package

SLSim：强引力透镜星系群模拟软件包

Narayan Khadka, Simon Birrer, Henry Best, Paras Sharma, Katsuya T. Abe, Xianzhe Tang, Carly Mistick, Felipe Urcelay, Emrecan M. Sonmez, Nikki Arendse, Sydney Erickson, Jacob O. Hjortlund, Phil Holloway, Alan Huang, Rahul Karthik, Mia Lamontagne, Vibhore Negi, Justin R. Pierel, Bruno Sanchez, Aysu Ece Saricaoglu, Anowar Shajib, Yixuan Shao, Padma Venkatraman, Bryce Wedig, Aadya Agrawal, Timo Anguita, Pedro Bessa, Clecio R. Bom, Sofia Castillo, Thomas Collett, Tansu Daylan, Steven Dillmann, Margherita Grespan, Erin E. Hayes, Remy Joseph, Richard Kessler, Tian Li, Phil Marshall, Anupreeta More, Veronica Motta, Gautham Narayan, Matt O'Dowd, Masamune Oguri, Graham Smith, Aprajita Verma, Giorgos Vernardos, the Strong Lensing Science Collaboration, the LSST Dark Energy Science Collaboration

专题命中 仓库级理解 ：repository(abstract)

AI总结 为应对即将到来的大规模巡天（如LSST）中强引力透镜数量激增的挑战，开发了SLSim模拟软件包，通过集成先进天体物理模型高效生成合成强透镜星系群，支持静态和瞬变透镜场景，用于宇宙学研究及透镜搜索与分析管道的训练测试。

Comments 36 pages, 16 figures