Sharpen the Spec, Cut the Code: A Case for Generative File System with SYSSPEC
细化规范，削减代码：一种生成性文件系统案例
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文提出SYSSPEC框架，通过生成性文件系统利用LLM生成和演变文件系统，展示SPECFS在并发性和正确性上的有效性。
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 4096 篇
The Devil behind the mask: An emergent safety vulnerability of Diffusion LLMs
面具背后的魔鬼：扩散语言模型的新兴安全漏洞
机构 * EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Chicago（芝加哥大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 DIJA揭示了扩散语言模型的安全漏洞，通过构造对抗性提示利用双向建模和并行解码机制，使有害内容在对齐训练模型中得以生成。
Comments Accepted by ICLR 2026
The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution
AI编程助手的马太效应：软件演化的隐藏偏见
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文研究了AI编程助手对软件生态系统的影响，发现主流语言和框架因数据丰富而获得更优支持，揭示了软件演化的隐藏偏见。
DyTopo: Dynamic Topology Routing for Multi-Agent Reasoning via Semantic Matching
DyTopo：通过语义匹配实现多智能体推理的动态拓扑路由
机构 * Peking University, Beijing, China（北京大学） ； Georgia Institute of Technology, Atlanta, United States（佐治亚理工学院） ； Southeast University, Location, Country（东南大学） ； Tsinghua University（清华大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 DyTopo通过语义匹配实现多智能体推理的动态拓扑路由，提升多轮推理性能并提供可解释的协调轨迹。
The Double Life of Code World Models: Provably Unmasking Malicious Behavior Through Execution Traces
代码世界模型的双重生命：通过执行轨迹证明性地揭示恶意行为
机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全倡议（BASIS）加州大学伯克利分校）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 通过语义轨道分析，CTVP验证代码生成模型的恶意行为，引入ARQ量化验证成本，理论证明对抗鲁棒性非游戏化。
Comments 13 Pages, A Preprint
Gradually Compacting Large Language Models for Reasoning Like a Boiling Frog
逐步压缩大型语言模型以像沸 frog 一样进行推理
机构 * Salesforce AI Research（Salesforce AI研究部） ； National University of Singapore（新加坡国立大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 本文提出了一种渐进压缩方法，通过剪枝-微调循环逐步减少大型语言模型大小，同时保持推理性能，适用于多种剪枝策略和后期训练方法。
Can LLMs Do Rocket Science? Exploring the Limits of Complex Reasoning with GTOC 12
大语言模型能做火箭科学吗？通过GTOC 12探索复杂推理的极限
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本研究通过GTOC 12竞赛评估大语言模型在复杂轨道优化任务中的表现，发现其在战略规划上能力显著提升，但在实际执行中存在物理一致性等关键问题。
Comments Extended version of the paper presented at AIAA SciTech 2026 Forum. Includes futher experiments, corrections and new appendix
Journal ref Proceedings of the AIAA SciTech 2026 Forum, January 2026
Maximum Likelihood Reinforcement Learning
最大似然强化学习
机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 MaxRL是一种基于采样的强化学习框架，通过最大似然估计提升模型训练效率，实验显示其在多个任务中表现优于现有方法。
Comments Project website and code: https://zanette-labs.github.io/MaxRL/
CodeGuard: Improving LLM Guardrails in CS Education
CodeGuard: 提高计算机科学教育中的LLM防护机制
机构 * George Mason University（乔治·马歇尔大学） ； University of Oklahoma（俄克拉荷马大学） ； University of Notre Dame（圣约翰斯大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 CodeGuard通过引入新的分类法、数据集和PromptShield模型，有效提升教育AI系统对不安全提示的检测能力，减少有害代码生成，同时保持教育任务性能。
From Code-Centric to Concept-Centric: Teaching NLP with LLM-Assisted "Vibe Coding"
从代码导向到概念导向：利用LLM辅助的“Vibe编码”教授NLP
机构 * College of Computer and Information Sciences（计算机与信息科学学院） ； King Saud University（沙特国王大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 本文提出利用LLM辅助的
Comments Accepted in The Seventh Workshop on Teaching Natural Language Processing (Teaching NLP @ EACL2026)
JudgeFlow: Agentic Workflow Optimization via Block Judge
JudgeFlow: 通过块判断实现代理工作流优化
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 JudgeFlow通过引入可配置的逻辑块和专用判断模块，实现代理工作流的高效优化，提升样本效率和可解释性，并在数学推理和代码生成任务中表现更优。
LocalV: Exploiting Information Locality for IP-level Verilog Generation
LocalV: 利用信息局部性进行IP级Verilog生成
机构 * University of Science（科学大学） ； SKL of Processors, Institute of Computing Technology, CAS（处理器研究所，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 LocalV通过利用模块化硬件设计中的信息局部性，解决IP级Verilog生成中的长文档处理、长代码生成和调试挑战，实现更高的生成准确率。
LoRA is All You Need for Safety Alignment of Reasoning LLMs
LoRA是实现推理LLM安全对齐的全部需求
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 LoRA通过在拒绝数据集上进行有监督微调，有效解决推理LLM的安全对齐问题，同时保持推理性能，适用于多种模型和基准测试。
FedMOA: Federated GRPO for Personalized Reasoning LLMs under Heterogeneous Rewards
FedMOA: 基于异质奖励的联邦GRPO用于个性化推理大语言模型
机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； Cisco Research（思科研究）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 FedMOA是一种联邦GRPO框架，用于在异质奖励下实现个性化推理大语言模型的多目标对齐，通过自适应加权机制和任务感知聚合策略提升性能和个性化效果。
One-Token Rollout: Guiding Supervised Fine-Tuning of LLMs with Policy Gradient
单个标记回滚：通过策略梯度引导大语言模型的监督微调
机构 * The Chinese University of Hong Kong（香港中文大学） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） ； ChatEDA Tech（ChatEDA技术公司）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 通过策略梯度引导监督微调，单个标记回滚（OTR）在多个基准测试中优于标准SFT，展示了on-policy数据对泛化能力的重要性。
Thinking Machines: Mathematical Reasoning in the Age of LLMs
思考机器：在大语言模型时代中的数学推理
机构 * Department of Informatics--- Science and Engineering (DISI), University of Bologna（信息科学与工程系（DISI），博洛尼亚大学） ； Department of Philosophy, University Paris 1 Panthéon-Sorbonne（哲学系，巴黎第一大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本文探讨了大语言模型在数学推理中的现状，分析了传统数学与形式化数学的差异，以及证明合成与代码生成的对比，旨在明确当前系统的局限性并指出未来发展方向。
Journal ref Big Data and Cognitive Computing, 2026, 10(1), 38
On the Paradoxical Interference between Instruction-Following and Task Solving
关于指令遵循与任务解决之间的悖论性干扰
机构 * Department of Computer Science and Technology, BNRist（计算机科学与技术系，BNRist）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 本文揭示指令遵循可能干扰LLMs任务解决能力，并提出SUSTAINSCORE指标量化此干扰，通过实验表明添加自我显而易见约束会导致性能下降。
A Survey on Large Language Model Impact on Software Evolvability and Maintainability: the Good, the Bad, the Ugly, and the Remedy
对大型语言模型对软件可变性与可维护性影响的综述：好坏优劣及解决方法
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文综述了大型语言模型对软件可变性与可维护性的影响，分析了其带来的积极影响、潜在风险及缓解策略。
D-Models and E-Models: Diversity-Stability Trade-offs in the Sampling Behavior of Large Language Models
D模型和E模型：大语言模型采样行为中的多样性-稳定性权衡
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 研究揭示了大语言模型中D模型与E模型在采样行为上的多样性-稳定性权衡，为任务应用中的模型选择提供了指导。
Comments 12 pages, 10 figures. Accepted by WWW'26
ShieldedCode: Learning Robust Representations for Virtual Machine Protected Code
ShieldedCode: 学习具有保护意识的虚拟机保护代码表示
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； South China Normal University（华南师范大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 ShieldedCode通过学习鲁棒表示提升虚拟机保护代码的生成与分析能力，实现更高效的软件保护。
Comments Accepted to ICLR 2026
Can We Improve Educational Diagram Generation with In-Context Examples? Not if a Hallucination Spoils the Bunch
用上下文示例能改进教育图表生成吗？如果幻觉破坏了整体效果就不能
机构 * Aalto University（阿尔托大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 本研究通过基于RST的上下文示例方法改进教育图表生成，发现高复杂度上下文增加幻觉风险，LLMs难以检测错误。
MetaGen: Self-Evolving Roles and Topologies for Multi-Agent LLM Reasoning
MetaGen: 多智能体LLM推理中的自演化角色与拓扑
机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； School of Urban Planning and Design, Peking University（北京大学城市规划与设计学院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 MetaGen通过自演化角色和拓扑提升多智能体LLM推理的准确性和效率
"ENERGY STAR" LLM-Enabled Software Engineering Tools
ENERGY STAR LLM赋能的软件工程工具
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文研究LLM赋能的软件工程工具的能效，通过结合RAG与PETs提升代码生成的质量和效率，验证核心理念并提供未来分析的证明。
Comments CAIN 2026 - 5th International Conference on AI Engineering - Software Engineering for AI
Reward Engineering for Reinforcement Learning in Software Tasks
软件任务中强化学习的奖励工程
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文系统综述了强化学习在软件任务中奖励工程的方法与挑战，旨在整合现有奖励设计方法并提供全面的指导。
Prompting in Practice: Investigating Software Practitioners' Use of Generative AI Tools
实践中的提示：调查软件从业者使用生成式AI工具的方式
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 研究调查软件从业者在实际开发中使用生成式AI工具的提示策略与实践，揭示其在代码生成、调试等任务中的应用现状及挑战。
I-MCTS: Enhancing Agentic AutoML via Introspective Monte Carlo Tree Search
I-MCTS：通过反思蒙特卡洛树搜索增强代理自动机器学习
机构 * Ant Group（蚂蚁集团） ； Rutgers University（罗格斯大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 I-MCTS通过反思蒙特卡洛树搜索提升代理AutoML性能，实现4%的绝对性能提升。
Comments EACL 2026 Findings
How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework
如何通过将编码化的人类专家领域知识与大语言模型结合来构建AI代理？一种软件工程框架
机构 * Department of Computer Science and Engineering, Chalmers University of Technology（计算机科学与工程系，查尔姆斯理工大学） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） ； Department of Computer Science and Media Technology, Malmö University（计算机科学与媒体技术系，马尔默大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本文提出一种软件工程框架，通过增强大语言模型与编码化专家知识，构建能自主生成可视化内容的AI代理，实现非专家在专业领域内达到专家水平的成果。
LLM Security and Safety: Insights from Homotopy-Inspired Prompt Obfuscation
大语言模型的安全性与安全性：基于同调启发的提示混淆洞察
机构 * Canadian Institute for Cybersecurity（加拿大网络安全研究所） ； Faculty of Computer Science（计算机科学学院） ； University of New Brunswick（新 Brunswick大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 本文提出基于同调启发的提示混淆框架，通过系统实验揭示LLM安全漏洞，强调对更强大防御机制和鲁棒性改进的必要性。
PRISM: A Unified Framework for Post-Training LLMs Without Verifiable Rewards
PRISM: 一种无需可验证奖励的统一后训练LLM框架
机构 * Arizona State University（亚利桑那州立大学） ； Amazon Web Services（亚马逊网络服务）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 PRISM通过结合过程奖励模型与自我确定性，实现无需真实标签的稳定训练和提升LLM测试性能。
Comments Added open-sourced github url
Graph Reasoning Paradigm: Structured and Symbolic Reasoning with Topology-Aware Reinforcement Learning for Large Language Models
图推理范式：基于拓扑感知强化学习的结构化和符号推理用于大语言模型
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； Tianjin Normal University（天津师范大学） ； Pengcheng Laboratory（鹏城实验室）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 图推理范式通过拓扑感知强化学习实现结构化和符号推理，提升大语言模型的数学推理和代码生成能力。
