代码大模型 / AI 编程

DualGauge: Automated Joint Security-Functionality Benchmarking of Specification-Only Code Generation by LLMs and Coding Agents

DualGauge: 对仅由LLM和编码代理生成的规范代码进行自动化联合安全-功能基准测试

Rupam Patir, Keyan Guo, Suvadra Barua, Abhijeet Pathak, Dinesh Gudimetla, Jiawei Guo, Hongxin Hu, Haipeng Cai

机构 * University at Buffalo, SUNY（布法罗大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；coding agent(title,abstract)；分类 cs.SE、cs.AI

AI总结 提出DualGauge框架，首个自动化联合评估规范代码正确性与安全性的系统，通过307个任务基准测试发现功能正确性高估可靠代码生成，联合成功率低于15%，且模型因素和代理系统均无法可靠提升。

AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion

AlignCoder: 为目标意图对齐检索以实现仓库级代码补全

Tianyue Jiang, Yanli Wang, Yanlin Wang, Daya Guo, Ensheng Shi, Yuchi Ma, Jiachi Chen, Zibin Zheng

机构 * School of Software, Sun Yat-sen University（中山大学软件学院） ； Sun Yat-sen University（中山大学） 纠错

专题命中 代码生成 ：repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 针对仓库级代码补全中检索与目标代码不匹配及无法利用推理信息的问题，提出AlignCoder框架，通过查询增强和基于强化学习的检索器训练，在CrossCodeEval上EM分数提升18.1%。

Comments To appear at ASE'25

Towards Functional Correctness of Large Code Models with Selective Generation

面向大型代码模型的功能正确性：选择性生成方法

Jaewoo Jeong, Taesoo Kim, Sangdon Park

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 针对代码生成模型的幻觉问题，提出利用动态代码分析自动生成单元测试，基于功能正确性评估进行选择性生成，以控制非弃权答案的错误发现率，并引入FuzzEval范式用于精确评估。

Comments ICML 2026

No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages

无资源、无基准、无问题？评估和改进无资源语言的代码生成大语言模型

Alessandro Giagnorio, Alberto Martin-Lopez, Gabriele Bavota

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

AI总结 研究无资源语言（LLM未见训练数据的语言）的代码生成问题，通过构建三个基准并实验提示技术、预训练和微调方法，提出权重差异迁移方法提升性能。

Comments Accepted for publication at IEEE Transactions on Software Engineering

SPARK: Security Knowledge Priming and Representation-Guided Knowledge Activation for LLM-based Secure Code Generation

SPARK: 基于安全知识引导与表示激活的LLM安全代码生成

Xiaoyun Xu, Lichao Wu, Jona te Lintelo, Siyu Zhang, Stjepan Picek

机构 * Radboud University（拉德堡德大学） ； University of Bristol（布里斯托大学） ； University of Zagreb（扎格雷布大学） 纠错

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

AI总结 提出SPARK方法，通过检索CWE条目并添加结构化提示激活模型内隐安全知识，结合预计算令牌偏置，无需重训练即可提升代码安全性。

REFLEX: Reflective Evolution from LLM Experience

REFLEX: 基于大语言模型经验的反思进化

Pan 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.LG

AI总结 提出REFLEX框架，通过解耦视觉诊断与代码生成实现可审计的高效策略进化，在控制任务和天线阵列合成中展现优异样本效率。

Imperfect Visual Verification for Code Edition : A Case Study on TikZ

代码编辑的不完美视觉验证：以TikZ为例的案例研究

Charly Reux, Mathieu Acher, Djamel Eddine Khelladi, Clément Quinton, Olivier Barais

机构 * Univ Rennes, Inria, IRISA, INSA（里昂大学、Inria、IRISA、INSA） ； Univ Rennes, Inria, CNRS, IUF, IRISA（里昂大学、Inria、CNRS、IUF、IRISA） ； Univ Rennes, Inria, CNRS, IRISA（里昂大学、Inria、CNRS、IRISA） ； Univ. Lille, CNRS, Inria（里尔大学、CNRS、Inria） ； Univ. Rennes, IRISA, Inria（里昂大学、IRISA、Inria） 纠错

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

AI总结 针对TikZ等视觉代码定制任务，研究不完美验证器在迭代精炼中的有效性，发现即使不完美验证器也能适度准确判断指令是否应用，反馈对弱模型提升显著。

HyDRA: Hybrid Dynamic Routing Architecture for Heterogeneous LLM Pools

HyDRA：异构LLM池的混合动态路由架构

Aashna Garg, Siddharth Singha Roy, Jinu Jang, Federico Brancasi, Shengyu Fu

机构 * Microsoft（微软） 纠错

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

AI总结 本文提出HyDRA，一种能够根据查询预测细粒度多维能力需求并匹配配置定义模型配置的混合动态路由架构，实现了在异构LLM池中高效且无需重新训练的模型选择。

Comments preprint v2

FasterPy: An LLM-based Code Execution Efficiency Optimization Framework

FasterPy：基于大语言模型的代码执行效率优化框架

Yue Wu, Minghao Han, Ruiyin Li, Peng Liang, Amjed Tahir, Zengyang Li, Qiong Feng, Mojtaba Shahin

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院） ； School of Mathematical and Computational Sciences, Massey University（梅西大学数学与计算科学学院） ； School of Computer Science, Central China Normal University（中央中国师范大学计算机学院） ； School of Computer Science, Nanjing University of Science and Technology（南京理工大学计算机学院） ； 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 代码生成 ：code generation(abstract)；分类 cs.SE、cs.AI

AI总结 提出FasterPy框架，结合检索增强生成（RAG）和低秩适应（LoRA）技术，利用大语言模型自动优化Python代码执行效率，在PIE基准上超越现有方法。

Comments 38 pages, 5 images, 14 tables, Manuscript revision submitted to a Journal (2026)

Binary Decompilation LLM with Feedback-Driven Multi-Turn Refinement

基于反馈驱动多轮精化的二进制反编译大语言模型

Peipei Liu, Jian Sun, Mingzhe Xing, Yicheng Zeng, Zhaoteng Yan, Lixiao Zhang, Li Chen, Dan Li

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

AI总结 提出AutoDecompiler，利用强化学习进行反馈驱动的多轮二进制反编译，通过编译、执行和I/O测试反馈迭代改进代码，显著提升行为可重执行性。

LLM4RTL: Tool-Assisted LLM for RTL Generation

LLM4RTL: 工具辅助的大语言模型用于RTL生成

Jing Jin, Robert Chu, Ning Yan, Masood S. Mortazavi

机构 * UC Riverside（加州大学河滨分校） ； Futurewei（未来科技） 纠错

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

AI总结 提出JRCRC流水线，利用商业LLM层次结构过滤和优化RTL代码生成数据集，并设计工具辅助架构提升逻辑推理能力，在VerilogEval上超越多数方法，用更小模型达到GPT-4O性能。

A Spatio-Temporal Expert Prefetching Framework for Efficient MoE-based LLM Inference

面向高效MoE大语言模型推理的时空专家预取框架

Yingnan Zhao, Razvan Bunescu, Ahmed Louri, Avinash Karanth, Ke Wang

机构 * George Washington University（乔治华盛顿大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Ohio University（俄亥俄大学） 纠错

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

AI总结 针对MoE大模型推理中专家加载延迟问题，通过分析专家选择行为的时空相关性，提出ST-MoE框架，结合轻量级运行时预测和可重构硬件设计，实现专家预取以重叠计算与加载，提升性能与能效。

TriAdReview: Triangular Adversarial Review Architecture for Multi-Model Technical Document Generation

TriAdReview: 用于多模型技术文档生成的三角对抗审查架构

Zhiqiang Zhou, Junliang Dai, Xu Ling

机构 * Hunan Chemical Industry Vocational and Technical College（湖南化工职业技术学院） 纠错

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

AI总结 提出TriAdReview三角对抗审查架构，使用两个独立审查模型和三角判断机制迭代改进生成器输出，在五个基准任务上相比单模型基线提升10.1%，但发现对抗审查在完整性任务上存在结构偏差。

Comments 12 pages, 7 figures, 5 tables

Rumoca: Modelica as a Universal Algebraic Frontend via a Rust-Native Compiler

Rumoca：通过Rust原生编译器将Modelica作为通用代数前端

Micah K. Condie, Abigaile Woodbury, Thomas Meschede, Joel A. E. Andersson, James M. Goppert

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

AI总结 提出Rust原生Modelica编译器Rumoca，通过显式阶段边界和模板驱动代码生成，将Modelica转换为多种工具的通用代数前端，支持实时软件在环仿真，并实现零安装运行。

Learn from Your Mistakes: Tree-like Self-Play for Secure Code LLMs

从错误中学习：面向安全代码LLM的树状自博弈

Wenqi Chen, Ziyan Zhang, Bin Wang, Lin Liu, Hengheng Zhang, Zhengsu Chen

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

AI总结 提出树状自博弈（TSP）框架，将安全代码生成建模为细粒度序列决策过程，通过构建决策树探索安全与脆弱路径，使模型在关键决策节点自我纠正，显著提升代码安全性并实现跨语言泛化。

Comments 18 pages, 3 figures, Accepted by ICML 2026

Understanding LLM Reasoning for Abstractive Summarization

理解大语言模型在抽象摘要中的推理能力

Haohan Yuan, Haopeng Zhang

机构 * ALOHA Lab, University of Hawaii at Manoa（夏威夷大学马诺亚分校ALOHA实验室） 纠错

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

AI总结 本研究通过大规模比较8种推理策略和3种大型推理模型在8个数据集上的表现，发现推理并非万能，其效果依赖于策略和摘要设置，且存在质量与事实准确性之间的权衡。

Comments 27 pages,15 figures

Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection

基于污点的代码切片用于基于LLM的恶意NPM包检测

Dang-Khoa Nguyen, Gia-Thang Ho, Quang-Minh Pham, Tuyet A. Dang-Thi, Minh-Khanh Vu, Thanh-Cong Nguyen, Phat T. Tran-Truong, Duc-Ly Vu

专题命中 代码生成 ：code generation(abstract)

AI总结 提出基于污点代码切片的LLM框架，通过隔离安全相关数据流，将输入token数平均减少99.75%，在2537个包上达到87.04%的检测准确率，优于基线方法。

Comments 18 pages, 1 figure, 5 tables, 2 algorithms

HarmRLVR: Weaponizing Verifiable Rewards for Harmful LLM Alignment

HarmRLVR: 利用可验证奖励进行有害大模型对齐

Yuexiao Liu, Lijun Li, Xingjun Wang, Jing Shao

专题命中 代码生成 ：code generation(abstract)

AI总结 提出HarmRLVR，首次系统研究可验证奖励强化学习（RLVR）的对齐可逆性风险，通过仅64个有害提示的GRPO即可快速逆转安全对齐，攻击成功率高达96.01%。