代码大模型 / AI 编程

RLPF: Reinforcement Learning from Performance Feedback for Code Generation

RLPF：基于性能反馈的代码生成强化学习

Huihao Jing, Haozhe Cui, Wenbin Hu, Shaojin Chen, Haochen Shi, Changxuan Fan, Yuxuan Liu, Hanyu Yang, Sirui Zhang, Ziyi Chen, Haoran Li, Yangqiu Song

机构 * HKUST（香港科技大学） 纠错

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

AI总结 该研究提出RLPF方法，将执行结果转化为分阶段奖励，微调Qwen3-32B后提升了代码生成的正确性与效率，模型性能可适度迁移，验证了代码智能体可优化生成程序。

CoGate: Confidence-Gated Co-Decoding for Secure Code Generation

CoGate：用于安全代码生成的置信门控协同解码

Minghao Hu, Lannan Luo, Allen Roush, Phillip Howard

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

AI总结 针对现有协同解码未考虑专家模型置信度的问题，提出CoGate方法，在多LLM后端和代码生成基准上优于CoSec+，在CWEval的Func-Sec@10指标最高提升12.6%。

Drawing-Recode: Annotation Grounding for Parametric CAD Code Generation from Raster 2D CAD Drawings

Drawing-Recode：基于栅格2D CAD图纸的参数化CAD代码生成的标注定位方法

Mingi Kim, Yongjun Kim, Hyungki Kim

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

AI总结 Drawing-Recode是一种从栅格2D CAD图纸生成参数化CAD代码的框架，通过图像编码器、文本识别模块、交叉注意力与AGL实现标注定位，性能优于基线且对工业扫描图纸鲁棒，可助力制造自动化。

PrintAnything: Learning an Intermediate Representation for 3D printing G-code Generation

PrintAnything：学习用于3D打印G-code生成的中间表示

Sangmin Hong, Daniel Sungho Jung, Heewon Kim, Kyoung Mu Lee

机构 * IPAI, Seoul National University（首尔大学 IPAI） ； Seoul National University（首尔大学） ； Soongsil University（崇实大学） ； Kairoba Inc.（Kairoba公司） 纠错

专题命中 代码生成 ：code generation(title)

AI总结 PrintAnything框架无需网格重建，通过切片式点投影策略和G-plan图，直接从点云生成可执行3D打印G-code，实现无网格的实用3D打印流程。

Comments European Conference on Computer Vision (ECCV) 2026

RIDGE: An Autonomous Framework for Validation and Method Discovery in LLM-Generated Option Pricing

RIDGE：一个用于验证和发现大语言模型生成的期权定价方法的自主框架

Liexin Cheng, Xue Cheng, Shuaiqiang Liu, Cornelis W. Oosterlee

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

AI总结 针对大语言模型生成的期权定价实现，介绍自主验证框架RIDGE，通过多种测试和检查优化定价实现与验证方法，应用于五个随机波动率模型，消除缺陷并带来新定价方法。

Comments 33 pages

Lightning OPD 2.0: Mitigating Style Bias in Cross-Teacher On-Policy Distillation for Large Reasoning Models

Lightning OPD 2.0：缓解大型推理模型跨教师在线策略蒸馏中的风格偏差

Yecheng Wu, Song Han, Han Cai

机构 * NVIDIA（英伟达） 纠错

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

AI总结 Lightning OPD 2.0通过交叉拟合风格残差化缓解大型推理模型跨教师在线策略蒸馏的风格偏差，在数学推理与代码生成基准中优于原方法，实现了跨教师设置下的性能提升。

When Specifications Conflict: A Symmetry-Based Framework for Measuring LLM Preferences

当规范冲突时：一种基于对称性的测量大语言模型（LLM）偏好的框架

Tairan Wang, Liang Zhou, Zikang Zhan, Pingchuan Yan

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

AI总结 本研究提出基于对称性的框架，通过含550个实例的数学基准等评估，发现LLM在冲突规范下有系统性偏好，排序为形式类>纯自然语言>输入-输出示例，可跨领域应用。

Comments Submitted to AAAI 2027

VISA: A Structured Description Protocol for Agent-Based Simulation Models Towards Machine Reproducibility

VISA：面向智能体可复现性的智能体仿真模型结构化描述协议

Zhou He

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

AI总结 该研究提出VISA结构化描述协议，通过八个表格及可执行规则、LLM技能提升智能体模型可复现性，在三类平台的ABMs上验证了其有效性，将复现障碍转化为可处理的依赖项。

The Case for Vibe Modeling: A Missing Step in AI-Based Trustworthy Software Development

氛围建模的必要性：基于AI的可信软件开发中缺失的一环

Shalini Chakraborty, Michael Mittermaier, Judith Michael

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

AI总结 本文提出在AI辅助软件开发中引入氛围建模作为轻量中间抽象，通过学生调查验证其在提升LLM输出理解、降低验证工作量及增强信任方面的潜力，为可信AI软件工程研究提供方向。

Comments 7 pages, 1 figure

Beyond the Best Teacher: Expanding and Compressing the Reasoning Solution Manifold

超越最优教师：扩展与压缩推理解流形

Songshuo Lu, Zhi Chen, Yaohua Tang

机构 * Moore Threads AI（摩尔线程人工智能） 纠错

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

AI总结 该研究提出“先扩展后压缩”框架，结合RGRPO与TU-OPD等技术，构建互补教师并集并压缩，使Qwen3-1.7B学生模型在数学推理等三领域优于最强单教师，实现性能提升。

RadHarmony: Radiological Data Handling in the Era of Agentic AI

RadHarmony：智能体AI时代的放射数据处理方案

Frank Li, Bardia Khosravi, Mohammadreza Chavoshi, Theo Dapamede, YoungSeok Jeon, Janice Newsome, Hari Trivedi, Judy Gichoya

机构 * Emory University（埃默里大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 RadHarmony是一款开源Python库，用于统一处理异构放射数据集，引入AI智能体技能简化数据集整合，可预训练视觉Transformer基线并提供相关代码与模型权重。

To Ban or not to Ban? How Open Source Projects Govern GenAI Contributions

超越禁止AI：开放源代码软件社区中生成式AI治理的初步探索

Wenhao Yang, Runzhi He, Minghui Zhou

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

AI总结 本文通过分析67个高可见度的开源项目，探讨生成式AI在开源社区中的治理问题，识别出三种治理方向和12种策略，强调治理需协调责任、验证、审查能力等多方面。

Comments Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

Change2Task: From Repository Changes to Executable Coding Agent Tasks and Environments

Change2Task：从仓库变更到可执行编码智能体任务与环境

Haomin Qi, Xingliang Wang, Xuanqi Gao, Baihui Sang, Xin Zhang, Minghua Ma, Pengfei Gao, Yu Kang, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang, Qi Zhang

专题命中 软件智能体 ：repository(title,abstract)；coding agent(title,abstract)；分类 cs.SE、cs.CL、cs.LG

AI总结 Change2Task系统基于仓库历史将已合并拉取请求转为编码智能体任务，在5类任务中实现79.6%验证成功率，比基准多恢复29.2%任务，可减少流程支出10.8%。

Comments 15 pages, 7 figures, and 15 tables, including appendices

Do Context Files Help Coding Agents? A Two-Agent Ablation Study on Real Repositories

上下文文件对编码智能体有帮助吗？针对真实仓库的双智能体消融研究

Prakhar Khatri

专题命中 软件智能体 ：coding agent(title,abstract)；repository(abstract)；分类 cs.SE、cs.AI

AI总结 本研究通过双智能体（Claude Code、Codex）的受控消融实验，发现上下文文件对编码智能体的正确性无显著提升，其失败源于实现技能而非知识缺失，还解释了过往研究矛盾的原因并公开了相关资源。

Configuration Smells in AGENTS.md Files: Common Mistakes in Configuring Coding Agents

AGENTS.md 文件中的配置异味：配置编码代理的常见错误

Helio Victor F. dos Santos, Vitor Costa, Joao Eduardo Montandon, Luciana Lourdes Silva, Marco Tulio Valente

专题命中 软件智能体 ：coding agent(title,abstract)；repository(abstract)；分类 cs.SE

AI总结 本文首次系统化编码代理配置文件（AGENTS.md/CLAUDE.md）的异味，通过灰文献综述和仓库挖掘识别出六种异味，并在100个开源仓库中验证其普遍性，其中Lint Leakage最常见（62%）。

Journal ref 26th IEEE International Conference on Source Code Analysis and Manipulation (SCAM 2026)

SWE-NFI: Studying and Benchmarking Coding Agents for Non-Functional Improvements

SWE-NFI：面向非功能改进的编码智能体研究与基准测试

Pengyu Xue, He Yang Yuan, Xin Wang, Junkai Chen, Haonan Zhang, Boyuan Chen, Zishuo Ding, Zhenhao Li, Weiyi Shang

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SWE-NFI基准，基于开源Python项目的真实合并拉取请求构建188个任务，评估编码智能体的非功能改进能力，发现智能体在该能力上普遍落后于人类开发者。

Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Claude Code Agent Teams

智能体团队工作区：面向长期存在的编码智能体团队的自动化持久工作区

Shouren Wang

专题命中 软件智能体 ：coding agent(abstract)；分类 cs.AI、cs.LG

AI总结 研究针对Claude Code等大语言模型智能体在长期工作流程中存在的问题，提出ATWZ，通过围绕其原生智能体团队构建基于文件系统的操作层，保存智能体工作状态等，解决相关问题并减少提示编写工作量。

Comments 31 pages, 9 figures

Orchard: An Open-Source Agentic Modeling Framework

Orchard：一个开源的智能体建模框架

Baolin Peng, Wenlin Yao, Qianhui Wu, Hao Cheng, Xiao Yu, Rui Yang, Tao Ge, Alessandro Sordoni, Xingdi Yuan, Yelong Shen, Pengcheng He, Tong Zhang, Zhou Yu, Jianfeng Gao

机构 * Microsoft Research（微软研究院） ； Columbia University（哥伦比亚大学） ； UIUC（伊利诺伊大学香槟分校） 纠错

专题命中 软件智能体 ：coding agent(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Orchard，一个开源的智能体建模框架，通过轻量级环境服务和三种智能体建模食谱，实现了跨领域可重用的智能体数据、训练和评估。

"Go Home Copilot, You're Drunk": Understanding Developer Responses to Agent-Generated Code Review Comments

“回家吧，副驾驶，你喝醉了”：理解开发者对智能体生成的代码审查评论的回应

Shamse Tasnim Cynthia, Ratnadira Widyasari, Banani Roy, Ting Zhang, David Lo

专题命中 软件智能体 ：coding agent(abstract)；分类 cs.SE

AI总结 研究开发者对智能体生成的代码审查评论的回应，分析五个智能体在342个Python仓库生成的54791条评论，探讨解决率、开发者经验及影响评论有用性的特征，发现不同智能体解决率有差异，还确定未解决评论原因及影响因素，为改进相关反馈提供见解。

Flock: Fast Proving for Batch Boolean Computations

Flock：面向批量布尔计算的快速证明

Benedikt Bünz, Ron D. Rothblum, William Wang

专题命中 软件智能体 ：coding agent(abstract)

AI总结 Flock是一种基于哈希的SNARK，通过优化协议与协同设计的实现，大幅提升批量布尔计算的证明速度，在哈希评估证明性能上远超现有方案。

Comments See eprint https://eprint.iacr.org/2026/1329 for up to date version

Who Grades the Grader? Co-Evolving Evaluation Metrics and Skills for Self-Improving LLM Agents

谁来评估评估者？用于自我改进的语言模型代理的协同进化评估指标和技能

Xing Zhang, Guanghui Wang, Yanwei Cui, Ziyuan Li, Wei Qiu, Bing Zhu, Peiyang He

机构 * Amazon（亚马逊） 纠错

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

AI总结 研究自我进化智能体系统中评估指标缺失问题，提出指标可进化，通过“双棘轮”协同进化指标与技能循环，在多任务中保留提升效果，还阐述安全性源于锚定规则与外部审核，为无可靠自动验证器场景提供架构。

Comments Code: https://github.com/amazon-science/Self-Evolving-Agents-Double-Ratchet

A novel k-means clustering approach using two distance measures for Gaussian data

一种使用两种距离度量的新型k-means聚类方法

Naitik Gada

机构 * School of Mathematical Sciences（数学科学学院） ； College of Science（科学学院） ； Rochester Institute of Technology（罗切斯特技术学院） 纠错

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

AI总结 本文提出了一种结合簇内和簇间距离度量的新型k-means聚类方法，通过Calinski-Harabasz准则确定簇数，提高聚类结果的鲁棒性和准确性。

Comments Keywords: machine learning, clustering algorithms, k-means

ThreatForest: Multi-Agent Attack Tree Generation with Pluggable TTP Framework Mapping

ThreatForest：基于可插拔TTP框架映射的多智能体攻击树生成方法

Cristian Leo, Anton Dykyi, Danny Cortegaca, Daniel Begimher, Prakash Jha

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

AI总结 ThreatForest是首个将代码仓库转化为带TTP映射攻击树及对应缓解措施的端到端多智能体系统，其嵌入编码器是TTP映射准确率的核心瓶颈，相关基准框架可用于同类系统测试。

Comments 20 pages, 12 tables, 1 figure

S-CEReBrO: Breaking the Memory Barrier in Continuous EEG Monitoring

S-CEReBrO：突破连续脑电图监测中的内存瓶颈

Glenn Anta Bucagu, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zurich（苏黎世联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Bologna（博洛尼亚大学） 纠错

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

AI总结 该研究针对连续EEG监测中Transformer架构的内存瓶颈，提出S-CEReBrO架构，通过窗口交替注意力实现内存恒定，在EEG下游任务中性能领先且效率提升。

Comments This is the pre-rebuttal version of a paper accepted at MICCAI 2026. The camera-ready version will be posted following the embargo

Intro2QC: An Approachable Introduction to Quantum Computing for STEM Education in High Schools

Intro2QC：面向高中STEM教育的易理解量子计算入门

Jaimie A. Greasley, Thomas E. Baker

专题命中 仓库级理解 ：repository(abstract)

AI总结 本文介绍了面向高中生的 Intro2QC 量子计算推广 workshop 材料，含在线教程、教案和幻灯片，已向约160名学生开展，旨在以易理解的方式推动高中量子计算教育。

Comments 17 pages, 5 figures

ToolRec: Calibrated Preference Alignment for Query Recommendation in On-Device Assistants

ToolRec: 面向设备端助手的校准偏好对齐查询推荐

Zihan Luo, Lingkui Chen, Ruike Zhang, Hong Huang, Boyang Zhang, Ziniu Chen, Lizhong Wang, Chao Chen

专题命中 仓库级理解 ：repository(abstract)

AI总结 提出ToolRec框架，通过构建系统工具库和双层校准机制优化点击数据，利用加权KTO对齐模型，在设备端助手查询推荐中提升点击率和相关性。

Comments Under review

RiO-DETR: DETR for Real-time Oriented Object Detection

RiO-DETR：面向实时的定向目标检测DETR

Zhangchi Hu, Yifan Zhao, Yansong Peng, Wenzhang Sun, Xiangchen Yin, Jie Chen, Peixi Wu, Hebei Li, Xinghao Wang, Dongsheng Jiang, Xiaoyan Sun

机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Tsinghua University（清华大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院） 纠错

专题命中 仓库级理解 ：repository(abstract)

AI总结 RiO-DETR通过任务原生设计解决实时定向检测中的角度估计、周期性细化和密集监督问题，实现速度与精度的平衡。

Comments Accepted by ECCV 2026, 31 pages, 9 figures