代码大模型 / AI 编程

MergeSE: Post-Hoc Model Merging for Software Engineering Tasks Without Retraining

MergeSE：无需重新训练的软件工程任务事后模型合并

Palash R. Roy, Banani Roy, Kevin A. Schneider, Chanchal K. Roy

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

AI总结 MergeSE是一款开源工具，可对HuggingFace编码器检查点进行无训练合并，支持软件工程多类分类任务，能解决代码模型分布偏移导致的性能下降问题，合并效率高且性能优异。

Comments Accepted at ASE 2026

ORCA-bench: How Ready Are Language Model Agents for Oncall?

ORCA-bench：语言模型智能体的值班待命准备程度如何？

Albert Gong, Kyuseong Choi, Abhineet Agarwal, Jason Schechner, Ryan Huang, Raj Agrawal, Anish Agarwal, Raaz Dwivedi

机构 * Cornell Tech（康奈尔科技学院） ； Traversal ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 该研究推出ORCA-bench基准，评估编码智能体在生产级值班待命场景下的根本原因分析能力，发现现有前沿智能体表现不佳，凸显其距离安全胜任生产可靠性工作仍有较大差距。

ExtractBench: A Benchmark for Schema-Guided Enterprise Document Extraction

ExtractBench：模式引导的企业文档抽取基准

Boyang Zhang, Adrian Lyjak, Eli Stewart, Zhaoqi Li, Simon Suo

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

AI总结 研究针对企业文档模式引导抽取的评估需求，构建首个同时评估值准确率等多指标的基准ExtractBench，发现LlamaExtract Agentic Plus在成本远低于编码智能体的情况下，准确率可与之媲美。

Automated Logging Is Language-Sensitive: A Multilingual Benchmark and Empirical Study of LLMs

单语言证据不足以支持自动化日志记录：一个多语言基准和基于LLM的实证研究

Renyi Zhong, Yichen Li, Yulun Wu, Jinxi Kuang, Yintong Huo, Michael R. Lyu

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

AI总结 本文通过多语言基准MultiLogBench研究自动化日志记录的跨语言有效性，发现框架锚点匹配是最敏感的组件，模型排名在顶级稳定，但需多语言验证以确保鲁棒性。

From Research Questions to Columns: Operationalization-Aware Data Discovery

从研究问题到列：感知操作化的数据发现

Houming Chen, H. V. Jagadish

专题命中 代码评测 ：repository(abstract)

AI总结 该研究提出感知操作化的数据发现（OADD）任务，构建基准OADD-Bench，评估多种方法后发现OADD仍是未解决问题，其中OADD定向智能体表现最佳。

Comments 6 pages, 2 figures