TDD-Agent: Test-Driven Reasoning for Code Generation
TDD-Agent：用于代码生成的测试驱动推理
专题命中 代码生成 ：code generation(title,abstract)；repository(abstract)；分类 cs.SE、cs.AI
AI总结 TDD-Agent将测试驱动开发范式应用于代码生成，通过测试优先推理和迭代双轨优化，在LiveCodeBench和RepoEval上均优于相关基线，提升了代码及测试的有效性。
AI 大模型
代码大模型 / AI 编程
代码生成、软件工程智能体、程序修复、测试生成和开发者工具。
1. 代码生成 12 篇
When Uncertainty Isn't Enough: An Empirical Study of Self-Correction in Code Generation
当不确定性还不够时：代码生成中自校正的实证研究
机构 * University of Michigan（密歇根大学） ； New York University（纽约大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Algoverse AI ； University of Aberdeen（阿伯丁大学） ； University of Oxford（牛津大学）
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.SE、cs.AI、cs.LG
AI总结 本研究通过实证发现，针对代码生成的不确定性估计方法难以可靠提升生成准确率，仅基于验证的自校正策略可显著提升Pass@1指标，廉价不确定性估计器仅适合作为校正循环的门控信号。
Enhancing the Non-Functional Quality Compliance of LLM-Generated Code through Quality-Aware Preference Learning
通过质量感知偏好学习增强大语言模型生成代码的非功能质量合规性
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.SE、cs.AI
AI总结 针对LLM生成代码存在的非功能质量合规性问题，提出质量感知偏好学习框架，通过三阶段方法提升代码合规性，在保持功能正确的同时实现显著性能提升，具备良好实用价值。
Who Leads Now? Token-Level Modality Arbitration for Chart-to-Code Generation
当前谁主导？用于图表转代码生成的令牌级模态仲裁
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.AI
AI总结 提出MoCA模型，通过CAB分离视觉与编码能力并动态仲裁贡献，经两阶段训练后在三个基准测试中取得与同类模型相当的图表转代码性能。
Efficient Code Embeddings from Code Generation Models
基于代码生成模型的高效代码嵌入
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Jina AI GmbH（Jina AI公司）
专题命中 代码生成 ：code generation(title)；分类 cs.CL、cs.AI
AI总结 研究提出jina-code-embeddings代码嵌入模型套件，采用文本与代码预训练的自回归主干及最后token池化，以较小规模实现最优性能，可用于代码检索、问答及相似代码识别。
Comments 9 pages. Accepted at the NeurIPS 2025 Workshop on Deep Learning for Code (DL4CODE)
Securing AI-Generated Code: A Just-in-Time Vulnerability Detection and Remediation Pipeline
保护AI生成代码：一种即时漏洞检测与修复流水线
专题命中 代码生成 ：code generation(abstract,abstract_cn)；分类 cs.SE、cs.AI
AI总结 本文提出一种自动化安全评估流水线，可检测、修复AI生成代码的漏洞，在Claude的4种模型上评估发现，P2配置表现优于P1，Sonnet 4.6的修复效果最佳，且流水线有效性与初稿安全性不同。
Comments 7 pages, 8 tables, 2 figures. Georgia Institute of Technology Master's final practicum project. Code: this https URL (https://github.com/Droidsurikov/securing-ai-generated-code)
An Empirical Study of Speculative Decoding on Software Engineering Tasks
对软件工程任务中投机解码的实证研究
专题命中 代码生成 ：code generation(abstract)；repository(abstract)；分类 cs.SE
AI总结 本文通过实证研究评估了投机解码在软件工程任务中的有效性，发现其在代码生成、修复和编辑任务中表现各异，模型基于方法适合生成，模型无关方法更适合仓库级任务，且任务重复性提升模型无关方法性能。
Comments Accepted by ISSTA 2026
Do Uncertainty Signals Help? A Systematic Study of Uncertainty-Aware Decoding with Rollback Mechanisms
不确定信号是否有用？对带有回滚机制的不确定感知解码的系统研究
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI、cs.LG
AI总结 本文通过系统研究带有回滚机制的不确定感知解码，发现其可提升代码LLM的生成性能，其中token熵等信息论不确定信号效果最优，反馈引导的回滚是主要改进来源。
Aletheia: What Makes RLVR For Code Verifiers Tick?
Aletheia: 什么使得代码验证器的RLVR有效？
机构 * INSAIT, Sofia University "St. Kliment Ohridski", Bulgaria（保加利亚索菲亚大学INSAIT实验室） ； Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, Technical University of Darmstadt and National Research Center for Applied Cybersecurity（德累斯顿技术大学计算机科学系及应用网络安全国家研究中心通用知识处理实验室） ； ATHENE, Germany（德国ATHENE研究院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE、cs.AI
AI总结 通过消融实验研究RLVR训练代码验证器时，中间思考轨迹、负样本学习和策略内训练三个因素在不同规模下的性能-成本权衡，发现最优配方依赖于模型规模。
Comparing the Quality of Code Generated by Vibe Coding Tools
比较 vibe 编码工具生成代码的质量
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本研究对比 Lovable、v0、Replit 三种 vibe 编码工具生成代码的结构质量，发现三者存在不同质量特征，选择工具需考量结构层面的权衡。
Competing at Every Price Point with Agentic Evolution over a Menu of LLMs
基于LLMs菜单的智能体进化，在每个价格点展开竞争
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本研究提出进化元智能体RoboPhD，通过对含9个LLM端点的菜单进行智能体进化，在DS-1000和PaperFindingBench两个任务上，除一个位置外占据所有帕累托前沿槽位，实现各价格点的竞争优势。
Remote-Sensing City Layout Extraction with MLLM
基于多模态大语言模型（MLLM）的遥感城市布局提取
机构 * City University of Hong Kong（香港城市大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Aerospace Information Research Institute（空天信息创新研究院）
专题命中 代码生成 ：code generation(abstract)
AI总结 本研究提出Code-as-City方法，利用MLLM将遥感顶视图图像转化为含平面与3D输出的可编辑城市布局，在CityLayout-100数据集上取得41.1%、48.3%的交并比，验证了视觉观测转城市代码的可行性。
Comments 4 pages, 2 figures, 4 tables. Accepted to IEEE APGARSS 2026
