代码大模型 / AI 编程

APTLAS: An Indexed APT Literature Repository

APTLAS：一个索引化的APT文献库

Bavley Guerguis, Nabil Bassim

专题命中 仓库级理解 ：repository(title,abstract)

AI总结 针对原子探针层析技术（APT）文献分散且缺乏领域特定元数据的问题，构建了包含约2300条记录并附带元数据的索引库APTLAS，支持按材料体系、仪器等过滤。

Rule Taxonomy and Evolution in AI IDEs: A Mining and Survey Study

AI IDE中的规则分类与演化：挖掘与调查研究

Guangzong Cai, Ruiyin Li, Peng Liang, Zengyang Li, Mojtaba Shahin

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Central China Normal University（中央师范大学计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院） 纠错

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

AI总结 通过挖掘83个开源项目中的7310条规则和99份从业者调查，建立了包含5个主类和25个子类的规则分类法，发现开发者重视架构约束但实际配置多为低级工作流和代码格式规则，规则演化主要由建设性上下文扩展和丰富驱动，且更新规则可使工件合规率平均提升22.99%。

Comments 52 pages, 21 images, 8 tables, Manuscript submitted to a Journal (2026)

Defeater Cards: Characterizing and Managing Safety Assurance Case Defeaters

Defeater Cards: 表征和管理安全保证案例的击败者

Usman Gohar, Michael C. Hunter, Salil Purandare, Jordan J. Rios, Myra B. Cohen, Robyn R. Lutz

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

AI总结 提出Defeater Cards结构化文档，基于5W1H框架系统表征、推理和管理安全案例中的击败者，通过跨领域案例研究验证其暴露隐藏假设、发现推理缺口和支持持续演化的能力。

LLM-Enabled NWDAF: A Step Toward AI-Native 6G Network Intelligence

LLM赋能的NWDAF：迈向AI原生的6G网络智能

Henok Daniel, Omar Alhussein, Cheng Li, Jie Liang, Ernesto Damiani

专题命中 仓库级理解 ：repository(abstract)

AI总结 开发了一个与Free5GC兼容的开源NWDAF，集成大语言模型接口，通过意图识别实现自然语言交互，简化网络分析管理，为AI原生6G网络奠定基础。

Comments 20 pages

nnAudio 2: Overcoming Dynamic Compilation Barriers and Transform Inconsistencies

nnAudio 2: 克服动态编译障碍与变换不一致性

Abhinaba Roy, Junyi Liang, Dorien Herremans

机构 * Singapore University of Technology and Design（新加坡科技设计大学） 纠错

专题命中 仓库级理解 ：repository(abstract)

AI总结 针对 nnAudio 在 TorchScript 编译、逆变换边缘情况和依赖漂移方面的问题，通过移除动态状态变异、限制逆变换适用范围并更新依赖，实现了与现代 PyTorch 和 SciPy 的兼容，提升了可微音频分析的鲁棒性。

Journal ref Proc. of Conference on AI Music Creativity (AIMC) 2026

Uncertainty-aware Generative Recommendation

不确定性感知的生成式推荐

Chenxiao Fan, Chongming Gao, Yaxin Gong, Haoyan Liu, Fuli Feng, Xiangnan He

专题命中 仓库级理解 ：repository(abstract)

AI总结 提出不确定性感知生成式推荐框架UGR，通过不确定性加权奖励、难度感知优化和显式置信度对齐，解决生成式推荐中忽视模型置信度导致的训练不稳定和决策风险问题。

Comments Accepted by KDD 2026