代码大模型 / AI 编程

Metaphor-Induced Algorithmic Steering: Cross-Domain Procedural Transfer in LLM Code Generation

隐喻诱导的算法引导：LLM代码生成中的跨领域过程迁移

Zhibo Hu, Chen Wang, Yanfeng Shu, Hye-young Paik, Liming Dong, Liming Zhu

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

AI总结 本研究提出MASC框架，发现隐喻会诱导LLM代码生成模型迁移低效率过程模式，可高检测率识别此类隐喻技能与低效率实现，揭示其通过源场景过程模式迁移运作的机制。

Comments 12 pages, 11 tables, 4 figures

Compiled AI: Deterministic Code Generation for LLM-Based Workflow Automation

编译AI：基于LLM的工作流自动化确定性代码生成

Geert Trooskens, Aaron Karlsberg, Anmol Sharma, Lamara De Brouwer, Max Van Puyvelde, Matthew Young, John Thickstun, Gil Alterovitz, Walter A. De Brouwer

机构 * XY.AI Labs, Palo Alto, CA（XY.AI实验室，帕洛阿尔托） ； Stanford University School of Medicine, Stanford, CA（斯坦福大学医学院，斯坦福） ； Cornell University, Department of Computer Science, Ithaca, NY（康奈尔大学计算机科学系，伊萨卡） ； Brigham and Women’s Hospital / Harvard Medical School, Boston, MA（布莱根妇女医院/哈佛医学院，波士顿） 纠错

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

AI总结 本文研究编译AI，一种大语言模型在编译阶段生成可执行代码，随后工作流确定性执行的范式。重点探讨其在高风险企业工作流中的应用，尤其在医疗领域，强调可靠性与可审计性。

Comments 14 pages, 2 figures, 3 tables

AuditCoder: Responsibility-Preserving Task Graphs for Auditable Code Generation and Bounded Repair

AuditCoder：用于可审计代码生成与有界修复的责任保留任务图

Kangjie Huang, Chen Lyu

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

AI总结 AuditCoder通过带契约注释的任务图为代码生成保留责任标识，结合保守定位器与有界修复，在APPS、ClassEval数据集上取得优于CoT+重试的可审计代码生成效果。

Comments Preprint. 37 pages, 5 figures. Code and data are available at the project repository

Think Before You Code: Dual Reasoning for the NLSafety-Utility Trade-Off in LLM Code Generation

结构化安全审计：在LLM生成代码的正确性与内容安全之间平衡

Honghao Tan, Haibo Wang, Shin Hwei Tan

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

AI总结 本文提出NLSafety-Utility Duality Score和Dual Reasoning，通过结构化安全审计和任务导向的代码审查，提升LLM生成代码的安全性和正确性，实验显示其在多个模型上显著提升SUDS评分。

Comments 13 pages. Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026). Artifact: https://doi.org/10.5281/zenodo.19245736

Automated Table Reproduction via Code Generation

Artisan: 自动化代理评估

Doehyun Baek, Michael Pradel

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

AI总结 Artisan通过自动化LLM代理生成重现脚本，提升软件工程研究结果的可重复性，生成44/60个有效脚本并发现20个新错误。

Comments Accepted at ASE 2026

Simulation Code Generation for Fluid Systems using Large Language Models: Benchmarking Models and Prompting Strategies

基于大语言模型的流体系统仿真代码生成：模型与提示策略的基准测试

Jan Marius Stürmer, Jascha Knack, Tobias Koch, Andreas Weinmann

机构 * German Aerospace Centre (DLR)（德国航空航天中心） ； Technische Hochschule Würzburg-Schweinfurt（维尔茨堡-施韦因富特应用技术大学） 纠错

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

AI总结 本研究通过系统比较10种大语言模型与6种提示策略，评估其将流体系统模型图表示转换为WNTR、Modelica代码的能力，为相关设计流程提供指导，同时指出仿真保真度仍存差距。

SAF-OPD: Stable Advantage Fusion for On-Policy Distillation

SAF-OPD：面向策略内蒸馏的稳定优势融合

Yifan Ding, Xincheng Wei, Yoshua Y. Li, Ziheng Li, Yuquan Lu, Siyu Zhang, Dongsheng Ma, Rongxiang Weng, Xunliang Cai, Yun Chen

机构 * Shanghai University of Finance and Economics（上海财经大学） ； Meituan（美团） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Peking University（北京大学） 纠错

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

AI总结 该研究提出SAF框架解决RLVR与OPD固定系数融合的熵崩溃问题，通过四阶段机制优化优势融合，在7个推理与代码生成基准上提升模型性能与训练稳定性。

Comments Working in progress

Wrong Code, Right Structure: Learning Netlist Representations from Imperfect LLM-Generated RTL

错误代码，正确结构：从不完美的LLM生成RTL学习网表表示

Siyang Cai, Cangyuan Li, Haoyu Gao, Kun Wang, Yinhe Han, Ying Wang

机构 * CICS, Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院） 纠错

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

AI总结 本文提出利用不完美的LLM生成RTL进行网表表示学习，通过数据增强和端到端流程，提升电路分析任务的性能。