代码大模型 / AI 编程

Falsification, Not Exposure: An Internally Preregistered Placebo-Controlled Decomposition of Self-Repair Feedback in Frozen Small Code Models

证伪，而非暴露：冻结小代码模型中自我修复反馈的内部预注册安慰剂对照分解

Mehmet Iscan

机构 * PythaLab, Yıldız Technical University（PythaLab，伊尔迪兹技术大学） 纠错

专题命中 代码评测 ：code model(title,abstract)；分类 cs.SE、cs.CL、cs.LG

AI总结 通过预注册的安慰剂对照实验，分解冻结小代码模型的自我修复反馈，发现证伪（外部可执行反例）比暴露于失败代码更有效，盲重采样比裸代码重试解锁更多程序。

Comments 39 pages, 5 figures, 14 tables

HealthAgentBench: A Unified Benchmark Suite of Realistic Agentic Healthcare Environments for Challenging Frontier AI Agents

HealthAgentBench：面向挑战性前沿AI代理的统一真实医疗环境基准套件

Qianchu Liu, Sheng Zhang, Guanghui Qin, Jeya Maria Jose Valanarasu, Maximilian Rokuss, Mingyu Lu, Timothy Ossowski, Juan Manuel Zambrano Chaves, Cliff Wong, Peniel Argaw, Yashna Hasija, Mu Wei, Wen-wai Yim, Qin Liu, Zilin Jing, Jason Entenmann, Naoto Usuyama, Tristan Naumann, Hoifung Poon

机构 * Microsoft（微软） 纠错

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

AI总结 提出包含54个医疗任务的基准套件HealthAgentBench，评估AI代理在真实临床工作流中的端到端多步推理能力，最强代理Codex GPT-5.5仅达42%成功率。

The Scales of Justitia: A Comprehensive Survey on Safety Evaluation of LLMs

正义的尺度：关于大语言模型安全评估的全面调查

Songyang Liu, Chaozhuo Li, Jiameng Qiu, Xi Zhang, Feiran Huang, Litian Zhang, Yiming Hei, Philip S. Yu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Jinan University（暨南大学） ； Beihang University（北京航空航天大学） ； China Academy of Information and Communications Technology（中国信息通信研究院） 纠错

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

AI总结 本文系统调研了大语言模型的安全评估现状，提出四维分类框架，分析评估原因、内容、场景及方法，指出当前挑战并提出研究方向，强调安全评估对可靠部署的重要性。

Comments 20 pages, preprint

Journal ref Information Fusion 136 (2026) 104579

AutoTrainess: Teaching Language Models to Improve Language Models Autonomously

AutoTrainess: 教语言模型自主改进语言模型

Zhaojian Yu, Penghao Yin, Shuzheng Gao, Shilin He, Kai Cai, Xiao-Ping Zhang

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

AI总结 提出AutoTrainess智能体，通过外部化人类经验为工作流和约束，在PostTrainBench上超越CLI基线，平均得分从23.21提升至26.94。

NSynC: Normalised Synthesis of Computation

NSynC：计算的归一化综合

Zoey Shepherd, Ohad Kammar, Elizabeth Polgreen

专题命中 代码评测 ：program synthesis(abstract)；分类 cs.PL

AI总结 提出NSynC方法，通过直接枚举语义而非语法来避免程序综合中的语义重复，实现8.93倍加速。

Comments 21 pages (of which 17 in appendix), 12 figures (of which 11 in appendix). Accepted to SYNT 2026