代码大模型 / AI 编程

Try Again, Don't Look Back: Blind Resampling Outperforms Self-Repair in Small Code Models

再试一次，不要回头：小型代码模型中盲重采样优于自我修复

Yuvraj Verma

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

AI总结 该研究针对MBPP+数据集在三种规模代码模型上发现，盲重采样在7B以下表现最优，成本远低于其他重试方法，而基于自身失败尝试的自我修复存在锚定效应导致的性能损失。

Comments Code, pre-registrations and run traces: https://github.com/vermayuvraj/self-improving-agent

ML2B: Benchmarking LLMs on Cross-Lingual ML Pipeline Generation

ML2B：评估大语言模型跨语言ML流水线生成能力的基准

Ekaterina Trofimova, Zosia Shamina, Maria Selifanova, Artem Zaitsev, Remi Savchuk, Maxim Minets, Daria Ozerova, Emil Sataev, Denis Zuenko, Andrey E. Ustyuzhanin

机构 * HSE University（俄罗斯伏尔加格勒国立大学） ； Constructor University（Constructor大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 ML2B是首个评估大语言模型跨语言ML流水线生成能力的基准，含多领域多语言任务，实验发现跨语言性能退化高度依赖任务，挑战了传统多语言模型能力假设。

Graph Is the Verifier: Agentic Reinforcement Learning for Interprocedural Vulnerability Detection

图作为验证器：用于过程间漏洞检测的智能体强化学习

Yikun Li, Ting Zhang, Jiakun Liu, Jinfeng Jiang, Yuheng Yieh, Yixin Yang, Wen Bin Leow, Yide Yin, Yintong Huo, Eng Lieh Ouh, Lwin Khin Shar, David Lo

专题命中 代码评测 ：repository(abstract)；分类 cs.SE、cs.AI

AI总结 针对现有漏洞检测孤立处理函数的问题，提出基于CPG的智能体强化学习框架VulAgentRL，通过图验证设计可靠奖励并预热初始化策略，在仓库级划分下的严格指标及多场景中均优于基线。

CodeSpec: Dual Executable Specifications for Agentic Long-Horizon Feature Development

CodeSpec：面向智能体长周期功能开发的双可执行规范

Peiding Wang, Li Zhang, Fang Liu, Taichuan Li, Yinghao Zhu

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

AI总结 提出CodeSpec双可执行规范方法，通过配对子需求语义与仓库架构构建可靠功能链，在FeatureBench上优于基线，提升了长周期功能开发的设计与实现一致性及性能。

ExplainBench: Evaluating Code Explanations from Agents

ExplainBench：评估智能体生成的代码解释

Zhiyuan Pan, Sungmin Kang, Imam Nur Bani Yusuf, Abhik Roychoudhury

专题命中 代码评测 ：coding agent(abstract)；分类 cs.SE

AI总结 该研究针对智能体代码解释缺乏评估基准的问题，提出ExplainBench基准，实验发现其对智能体的排名与SWE-bench Verified不同，还实现了解释审核智能体，可提升智能体解释的可信度。

Comments ASE 2026

Adversarial Pragmatics for AI Safety Evaluation: A Diagnostic Framework and Seed Benchmark for Language-Mediated Control

面向AI安全评估的对抗语用学：指令冲突、嵌入命令与策略模糊性基准

Brett Reynolds

机构 * Humber Polytechnic（汉博理工学院） ； University of Toronto（多伦多大学） 纠错

专题命中 代码评测 ：分类 cs.SE、cs.CL、cs.AI；repository(comments)

AI总结 提出对抗语用学基准和标注协议，通过语言学控制的分类法评估模型在指令冲突、嵌入命令等场景下的行为，为安全评估提供实证和方法论工具。

Comments 32-page main paper plus 13-page supplement; 6 figures and 17 tables total; code and data artifact available at the linked repository

WaspMOT: A Benchmark for Long-Term Multi-Object Tracking of Trichogramma Wasps

WaspMOT：赤眼蜂长期多目标跟踪基准

Tomasz Stanczyk, Yuan Gao, Hardik Agarwal, Seongro Yoon, Tiantao Zhang, Vincent Calcagno, Francois Bremond

机构 * Inria（法国国家信息与自动化技术研究院） ； INRAE Institut Sophia Agrobiotech（法国国家农业生物技术研究院） ； Université Côte d'Azur（蔚蓝海岸大学） ； Indian Institute of Technology Delhi（德里印度理工学院） ； Institute of Plant Protection, Chinese Academy of Agricultural Sciences（中国农业科学院植物保护研究所） 纠错

专题命中 代码评测 ：repository(abstract)

AI总结 研究针对多目标跟踪在长期身份保持评估不足的问题，引入WaspMOT基准，通过对赤眼蜂长时间跟踪构建数据集，评估五种检测跟踪方法，发现都有轨迹碎片化问题，简单拼接基线可提升性能，揭示了现有方法局限。

Journal ref AVSS 2026