Parameter-Efficient Multi-Task Fine-Tuning in Code-Related Tasks
代码相关任务中的参数高效多任务微调
专题命中 代码生成 ：code generation(abstract)；code model(abstract)；分类 cs.SE
AI总结 研究多任务QLoRA微调在代码生成、翻译和总结中的效果，发现其在1.5B、3B和7B规模上达到或优于单任务QLoRA和全微调，大模型平衡正确性与质量更佳。
AI 大模型
代码大模型 / AI 编程
代码生成、软件工程智能体、程序修复、测试生成和开发者工具。
1. 代码生成 3 篇
Adaptive Generate-Rank-Verify: Inference-Time Search with Costly Verification
自适应生成-排序-验证：具有高成本验证的推理时间搜索
机构 * University of Southern California（南加州大学） ； Northwestern University（西北大学） ； University of Chicago（芝加哥大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Simons Institute for the Theory of Computing（Simons计算理论研究所） ； Data Science Institute at the University of Chicago（芝加哥大学数据科学研究所）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 本文提出了一种自适应生成-排序-验证方法，通过在未知分布下自适应地生成和验证候选答案，以在保证成本的前提下找到正例，同时通过理论分析和实验验证了该方法在数学推理和编程竞赛中的有效性。
Comments 33 Pages, 6 Figures, 4 Tables. Changes compared to V1: updated the related work section
Weak-Driven Learning: How Weak Agents make Strong Agents Stronger
弱驱动学习：弱智能体如何使强智能体更强
机构 * Beihang University（北航） ； China Telecom eSurfing Cloud（中国电信eSurfing云）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 针对大语言模型后训练中的饱和瓶颈，提出WMSS方法，利用模型历史弱检查点通过熵动力学识别可恢复学习差距并进行补偿学习，在数学推理和代码生成任务上实现有效性能提升且无额外推理成本。
2. 软件智能体 2 篇
Resilient Write: A Six-Layer Durable Write Surface for LLM Coding Agents
抗挫写入：一种六层耐用写入表面用于大语言模型编码代理
机构 * Sperixlabs, Ghana（塞普里克斯实验室，加纳） ； Kwame Nkrumah University of Science and Technology, Kumasi, Ghana（库马西技术大学，加纳） ； VIA Cybersecurity Lab, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana（VIA网络安全实验室，库马西技术大学，加纳）
专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.SE、cs.AI
AI总结 本文提出Resilient Write，通过六层耐用写入表面提升编码代理在文件写入时的容错能力，减少恢复时间并提高自我纠正率。
Executable World Models for ARC-AGI-3 in the Era of Coding Agents
可执行世界模型在编码智能体时代的ARC-AGI-3应用
机构 * SingularityNET
专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.AI
AI总结 提出一种编码智能体系统，通过维护可执行Python世界模型、验证观察、重构简化抽象和模型内规划，在ARC-AGI-3游戏中取得初步成果，GPT-5.5高推理下完全解决15个游戏。
Comments 13 pages. Accepted for publication at AGI-2026
3. 程序修复 1 篇
Beyond Accuracy: Behavioral Dynamics of Agentic Multi-Hunk Repair
超越准确率：智能体多块修复的行为动力学
专题命中 程序修复 ：program repair(abstract)；repository(abstract)；coding agent(abstract)；分类 cs.SE
AI总结 研究LLM驱动的编码智能体在多块缺陷修复中的行为，通过404个多块bug的1616条修复轨迹分析定位、修复准确率、回归行为及操作动力学，发现修复准确率随bug分散度和复杂度下降，且失败修复消耗更多资源。
4. 代码评测 4 篇
Do Coding Agents Deceive Us? Detecting and Preventing Cheating via Capped Evaluation with Randomized Tests
编码智能体会欺骗我们吗？通过带随机测试的上限评估检测和防止作弊
机构 * The University of Tokyo（东京大学） ； RIKEN（理化学研究所）
专题命中 代码评测 ：coding agent(title)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出CapCode框架，通过设置上限评估检测模型在编码任务中的作弊行为，并设计CapReward奖励机制防止作弊，实验表明该方法能有效检测和减少作弊。
CodeTaste: Can LLMs Generate Human-Level Code Refactorings?
CodeTaste：LLM能否生成人类级别的代码重构？
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
专题命中 代码评测 ：repository(abstract)；coding agent(abstract)；分类 cs.SE、cs.AI、cs.LG
AI总结 研究LLM代理在代码重构中的能力，通过CodeTaste基准测试发现，代理在详细指定重构时表现良好，但难以自主发现人类选择的重构，提出“先提议后实现”分解可改善对齐。
Towards Automated Kernel Generation in the Era of LLMs
面向LLM时代的自动化内核生成
机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Beijing Normal University（北京师范大学） ； Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学） ； Cornell University（康奈尔大学） ； Beijing Jiaotong University（北京交通大学） ； Renmin University of China（中国人民大学） ； Hong Kong University of Science and Technology (Guangzhou)（广州科技大学）
专题命中 代码评测 ：repository(abstract)；分类 cs.CL、cs.LG
AI总结 本文综述了利用大语言模型（LLM）和智能体系统自动化生成与优化GPU内核的方法，系统梳理了现有方法、数据集和基准，并指出了未来研究方向。
Comments In IJCAI 2026. 9 pages, 1 figure
Component Ablation for Efficient Hybrid Language Model Architectures: Performance, Resilience, and Compression Implications
组件消融用于高效混合语言模型架构：性能、鲁棒性和压缩影响
机构 * Doctoral Program in Computer Science, University of Valencia（瓦伦西亚大学计算机科学博士项目）
专题命中 代码评测 ：分类 cs.CL、cs.AI、cs.LG；repository(comments)
AI总结 本文通过组件消融研究混合语言模型，发现注意力机制与替代序列处理路径对性能有显著影响，揭示了模型鲁棒性与压缩优化的关键因素。
Comments 25 pages, 7 figures, 6 tables; revised title, abstract, figures, and data/code repository URL
5. 仓库级理解 7 篇
Ghosted Layers: Unconstrained Activation Alignment for Recovering Layer-Pruned LLMs
Ghosted Layers: 无约束激活对齐用于恢复层剪枝的LLM
机构 * University of Southern California（南加州大学） ； Inha University（inha大学）
专题命中 仓库级理解 ：repository(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出Ghosted Layers方法，通过无约束优化解决层剪枝后激活分布不匹配问题，提升LLM准确性和 perplexity 而不牺牲效率。
Locality-Aware Redundancy Pruning for LLM Depth Compression
面向LLM深度压缩的局部感知冗余剪枝
机构 * University of Southern California（美国南加州大学） ； Neural Superintelligence Lab, MODULABS（MODULABS神经超级智能实验室） ； Seoul National University（首尔国立大学） ； Inha University（釜山大学）
专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI、cs.LG
AI总结 提出LoRP，一种基于表示局部性的无训练单次深度剪枝框架，通过引入表示局部性分数（RLS）来识别和剪除冗余层，在多种LLM上提升了困惑度和下游任务准确率。
huff: A Python package for Market Area Analysis
huff：用于市场区域分析的Python包
专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE
AI总结 huff包提供市场区域分析的完整流程，包括数据导入、OD矩阵构建、模型分析、参数估计和可视化，适用于经济地理学和健康地理学研究。
Comments v1.2.1; added references, update of scientific usage and PyPI usage statistics
Beyond Fixed Rounds: Data-Free Early Stopping for Practical Federated Learning
超越固定轮次：面向实际联邦学习的无数据早停法
专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG
AI总结 提出一种无数据早停框架，通过监控任务向量增长率确定最优停止点，在皮肤病变/血细胞/结肠病理分类任务中达到与基于验证集的早停相当的性能，且仅需少量额外轮次。
Comments Under Review
DRS-OSS: A Diff-Risk Scoring Tool for Continuous Integration Workflows
DRS-OSS：用于持续集成工作流的差异风险评分工具
专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE
AI总结 提出开源差异风险评分工具DRS-OSS，通过可部署管道结合提交信息、差异和变更指标预测风险，在ApacheJIT上达到0.895 ROC-AUC，优于基线。
Comments 5 pages, 4 figures, 4 tables. Tool demonstration paper
ClawXiv: a signed archival workflow and distributed publication architecture for human--AI collaborative research
ClawXiv：一种带签名的存档工作流和分布式出版架构，用于人机协作研究
专题命中 仓库级理解 ：repository(abstract)
AI总结 ClawXiv旨在解决预印本的公开传播及从易逝的聊天会话和异构LaTeX/BibTeX工作目录迁移至持久、带签名、可检查的研究成果的问题，通过四种状态管理实现可靠存档。
Embedded Graph Convolutional Networks for Real-Time Event Data Processing on SoC FPGAs
嵌入式图卷积网络用于SoC FPGA上的实时事件数据处理
机构 * University of Warsaw（华沙大学） ； Politechnika Warszawska（华沙理工大学）
专题命中 仓库级理解 ：repository(abstract)
AI总结 提出一种针对事件相机的硬件感知图卷积网络EFGCN，在SoC FPGA上实现实时处理，模型大小相比AEGNN降低100倍，精度仅下降2.9%。
Comments Submitted to the IEEE Transactions on Very Large Scale Integration Systems. This manuscript was first submitted for publication on March 31, 2024. It has since been revised three times: on 22 Mau 2024, 10 June 2024 and 19 June 2025 (major update)
Journal ref Journal of Systems Architecture, Volume 177, August 2026, 103850
