代码大模型 / AI 编程

Challenges & Opportunities with LLM-Assisted Visualization Retargeting

基于大语言模型的可视化重定向挑战与机遇

Luke S. Snyder, Chenglong Wang, Steven M. Drucker

机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） 纠错

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI

AI总结 本文探讨了大语言模型在可视化重定向中的应用挑战与机遇，通过对比两种方法评估LLM在代码生成和适应中的性能及局限性。

Comments 5 pages, 3 figures, 1 table

AI-assisted JSON Schema Creation and Mapping

基于AI的JSON模式创建与映射

Felix Neubauer, Jürgen Pleiss, Benjamin Uekermann

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

AI总结 本文提出结合大型语言模型与确定性技术的混合方法，用于基于自然语言输入的JSON模式创建、修改和映射，降低非专家在结构化数据建模与集成中的门槛。

Journal ref 2025 ACM/IEEE 28th International Conference on Model Driven Engineering Languages and Systems Companion (MODELS-C), Grand Rapids, MI, USA, 2025, pp. 79-83

Discrete Feynman-Kac Correctors

离散费曼-科茨校正器

Mohsin Hasan, Viktor Ohanesian, Artem Gazizov, Yoshua Bengio, Alán Aspuru-Guzik, Roberto Bondesan, Marta Skreta, Kirill Neklyudov

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

AI总结 本研究提出离散费曼-科茨校正器，通过序贯蒙特卡洛算法在推理时控制离散扩散模型的生成分布，实现高效采样和奖励优化。

Comments Code: https://github.com/hasanmohsin/discrete_fkc

StackPilot: Autonomous Function Agents for Scalable and Environment-Free Code Execution

StackPilot: 用于可扩展和无环境代码执行的自主函数代理

Xinkui Zhao, Yifan Zhang, Zhengyi Zhou, Yueshen Xu

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

AI总结 StackPilot通过自主函数代理和栈式调度策略，实现语言无关的代码验证与执行，提升LLM生成代码的可靠性与可执行性。

Comments This method needs to be reconsidered and there is something wrong with experiment

Lightweight Yet Secure: Secure Scripting Language Generation via Lightweight LLMs

轻量却安全：通过轻量LLM实现安全脚本语言生成

Keyang Zhang, Zeyu Chen, Xuan Feng, Dongliang Fang, Yaowen Zheng, Zhi Li, Limin Sun

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

AI总结 本文提出PSSec框架，通过数据合成与微调提升轻量LLM在生成安全PowerShell脚本方面的能力，显著降低推理成本。

Comments 19 pages,8 figures,conference

NL2Dashboard: A Lightweight and Controllable Framework for Generating Dashboards with LLMs

NL2Dashboard: 一种轻量且可控的基于LLM生成仪表盘的框架

Boshen Shi, Kexin Yang, Yuanbo Yang, Guanguang Chang, Ce Chi, Zhendong Wang, Xing Wang, Junlan Feng

机构 * Jiutian Research, China Mobile（九天研究，中国移动） 纠错

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

AI总结 NL2Dashboard通过分析-呈现解耦原理，提出轻量可控的仪表盘生成框架，实现高效视觉质量和高可控性。

Detection of LLM-Paraphrased Code and Identification of the Responsible LLM Using Coding Style Features

检测 LLM 生成的代码并识别负责的 LLM 使用编码风格特征

Shinwoo Park, Hyundong Jin, Jeong-won Cha, Yo-Sub Han

机构 * Yonsei University（延世大学） ； Changwon National University（昌原国立大学） 纠错

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

AI总结 本文提出通过编码风格特征检测 LLM 生成的代码并识别负责的 LLM，改进了检测性能和效率。

Comments In Engineering Applications of Artificial Intelligence, Vol. 162, December 2025

Vibe Coding an LLM-powered Theorem Prover

Vibe 编码一个基于 LLM 的定理推理论证系统

Zhe Hou

机构 * Griffith University（格里菲斯大学） 纠错

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

AI总结 Isabellm是一个基于LLM的定理推理论证系统，通过结合分步推证器和证明计划器，实现自动证明合成，并展示了LLM在复杂证明任务中的潜力与挑战。

AP2O-Coder: Adaptively Progressive Preference Optimization for Reducing Compilation and Runtime Errors in LLM-Generated Code

AP2O-Coder: 适应性渐进偏好优化用于减少LLM生成代码的编译和运行时错误

Jianqing Zhang, Wei Xia, Hande Dong, Qiang Lin, Jian Cao

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

AI总结 AP2O-Coder通过适应性渐进偏好优化方法，减少LLM生成代码的编译和运行时错误，提升代码生成性能。

Comments Accepted by AAAI2026

Causal Consistency Regularization: Training Verifiably Sensitive Reasoning in Large Language Models

因果一致性正则化：在大型语言模型中训练可验证的敏感推理

Sanjeda Akter, Ibne Farabi Shihab, Anuj Sharma

机构 * Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学） ； Department of Civil, Construction & Environmental Engineering, Iowa State University（土木、建筑与环境工程系，爱荷华州立大学） 纠错

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

AI总结 CSR通过强制因果一致性提升大语言模型的推理忠实性，实现更可靠的结构化领域推理。

One Trigger Token Is Enough: A Defense Strategy for Balancing Safety and Usability in Large Language Models

一个触发标记就足够：一种在大型语言模型中平衡安全性和可用性的防御策略

Haoran Gu, Handing Wang, Yi Mei, Mengjie Zhang, Yaochu Jin

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

AI总结 本研究提出D-STT算法，通过识别和解码安全触发标记，有效提升大型语言模型的安全性，同时保持其可用性与响应效率。

Generation of Programmatic Rules for Document Forgery Detection Using Large Language Models

利用大语言模型生成文档伪造检测的程序规则

Valentin Schmidberger, Manuel Eberhardinger, Setareh Maghsudi, Johannes Maucher

机构 * Stuttgart Media University（斯图加特媒体大学） ； Ruhr-University Bochum（鲁尔大学波恩） 纠错

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

AI总结 本文利用大语言模型生成文档伪造检测的规则，通过微调策略在受限硬件上实现高效验证程序。

Comments Accepted at ICMLA 2025, the first two authors contributed equally

XTC, A Research Platform for Optimizing AI Workload Operators

XTC，一个用于优化AI工作负载操作符的研究平台

Pompougnac Hugo, Guillon Christophe, Noiry Sylvain, Dutilleul Alban, Iooss Guillaume, Rastello Fabrice

机构 * Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LIG, 38000 Grenoble, France（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化技术研究所、格勒诺布尔INP、LIG实验室） 纠错

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

AI总结 XTC是一个用于优化AI工作负载操作符的研究平台，通过统一调度和性能评估框架，实现跨编译器的可移植实验和优化策略研究。

Automating Automotive Software Development: A Synergy of Generative AI and Model-Based Methods

自动化汽车软件开发：生成式AI与基于模型的方法的协同

Fengjunjie Pan, Yinglei Song, Long Wen, Nenad Petrovic, Krzysztof Lebioda, Alois Knoll

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

AI总结 本文提出结合生成式AI与基于模型的方法，自动化汽车软件开发，通过事件链描述生成软件组件并提升系统可靠性。

The Semantic Architect: How FEAML Bridges Structured Data and LLMs for Multi-Label Tasks

语义架构：FEAML如何将结构化数据与LLMs结合用于多标签任务

Wanfu Gao, Zebin He, Jun Gao

机构 * Wanfu Gao 1,2（高万福（1,2）） ； Zebin He 1,2（何泽彬（1,2）） ； Jun Gao 1,2（高俊（1,2）） 纠错

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

AI总结 FEAML通过结合LLMs的代码生成能力与反馈机制，实现高效且自我改进的多标签任务特征工程方法。

Beyond Pass@1: Self-Play with Variational Problem Synthesis Sustains RLVR

超越Pass@1：基于变分问题合成的自我博弈维持RLVR

Xiao Liang, Zhongzhi Li, Yeyun Gong, Yelong Shen, Ying Nian Wu, Zhijiang Guo, Weizhu Chen

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

AI总结 本文提出基于变分问题合成的自我博弈策略，有效维持RLVR训练中的策略熵，显著提升Pass@k性能，在多个基准测试中取得绝对提升。

Do LLM Evaluators Prefer Themselves for a Reason?

大语言模型评估器为何偏好自己？

Wei-Lin Chen, Zhepei Wei, Xinyu Zhu, Shi Feng, Yu Meng

机构 * University of Virginia（弗吉尼亚大学） ； George Washington University（乔治华盛顿大学） 纠错

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

AI总结 研究探讨了大语言模型在评估时自我偏好现象的成因，发现更强模型更倾向于偏好自身输出，但其中大部分偏好源于客观质量优势，同时提出通过扩展策略可减少有害自我偏好。

Comments Added LMArena experiments

Super Suffixes: Bypassing Text Generation Alignment and Guard Models Simultaneously

超后缀：同时绕过文本生成对齐和防护模型

Andrew Adiletta, Kathryn Adiletta, Kemal Derya, Berk Sunar

机构 * MITRE（MITRE公司） ； Worcester Polytechnic Institute（沃斯顿理工学院） 纠错

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

AI总结 本文提出超后缀技术，通过联合优化绕过Llama Prompt Guard 2，同时提出DeltaGuard检测方法提升对抗性提示防御效果。

Comments 13 pages, 5 Figures

Unifying Dynamic Tool Creation and Cross-Task Experience Sharing through Cognitive Memory Architecture

通过认知记忆架构统一动态工具创建与跨任务经验共享

Jiarun Liu, Shiyue Xu, Yang Li, Shangkun Liu, Yongli Yu, Peng Cao

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

AI总结 SMITH通过认知记忆架构统一动态工具创建与跨任务经验共享，实现代理能力的持续扩展和高效适应。

Toward Intelligent and Secure Cloud: Large Language Model Empowered Proactive Defense

迈向智能和安全的云：大型语言模型赋能的主动防御

Yuyang Zhou, Guang Cheng, Kang Du, Zihan Chen, Yuyu Zhao

机构 * School of Cyber Science and Engineering, Southeast University, Purple Mountain Laboratories, and Jiangsu Province Engineering Research Center of Security for Ubiquitous Network（网络安全学院、东南大学、紫山实验室以及江苏省物联网安全工程技术研究中心） 纠错

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

AI总结 本文提出LLM-PD，一种基于大型语言模型的主动防御架构，用于有效应对云网络中的DoS攻击，通过数据分析和自我进化提升防御效率。

Comments 7 pages; Accepted by IEEE Communications Magazine

AI Co-Artist: A LLM-Powered Framework for Interactive GLSL Shader Animation Evolution

AI共艺术家：一种基于大语言模型的交互式GLSL着色器动画进化的框架

Kamer Ali Yuksel, Hassan Sawaf

机构 * aiXplain Inc.（aiXplain公司） 纠错

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI

AI总结 AI Co-Artist利用大语言模型降低GLSL着色器创作门槛，通过直观交互实现视觉艺术的进化与生成。

Token Sugar: Making Source Code Sweeter for LLMs through Token-Efficient Shorthand

Token Sugar：通过高效的token缩写使源代码更甜

Zhensu Sun, Chengran Yang, Xiaoning Du, Zhou Yang, Li Li, David Lo

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

AI总结 Token Sugar通过高效的token缩写减少源代码的token数量，提升LLM在代码生成中的效率和性能。

Comments Accepted by ASE'25

Secure or Suspect? Investigating Package Hallucinations of Shell Command in Original and Quantized LLMs

安全还是可疑？探究原始和量化LLM生成的shell命令中的包幻觉

Md Nazmul Haque, Elizabeth Lin, Lawrence Arkoh, Biruk Tadesse, Bowen Xu

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

AI总结 研究探讨量化对LLM生成Go包中包幻觉和安全风险的影响，发现量化降低精度会增加幻觉率和漏洞风险，揭示LLM生成依赖项的系统性错误模式。

Nice to Meet You: Synthesizing Practical MLIR Abstract Transformers

Nice to Meet You: 合成实用MLIR抽象转换器

Xuanyu Peng, Dominic Kennedy, Yuyou Fan, Ben Greenman, John Regehr, Loris D'Antoni

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.PL

AI总结 NiceToMeetYou通过批量自动化合成准确且高效的MLIR抽象转换器，提升编译器的精度和可靠性。

Matching Markets Meet LLMs: Algorithmic Reasoning with Ranked Preferences

匹配市场与大语言模型：基于排名偏好的算法推理

Hadi Hosseini, Samarth Khanna, Ronak Singh

机构 * Penn State University（宾夕法尼亚州立大学） 纠错

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI

AI总结 本文研究了大语言模型在处理基于排名偏好的匹配市场问题时的局限性，发现其在解决大规模不稳定性方面存在不足，并探讨了参数高效微调对小规模市场的效果。

On-Policy Optimization with Group Equivalent Preference for Multi-Programming Language Understanding

基于组等价偏好的多编程语言理解的在线优化

Haoyuan Wu, Rui Ming, Jilong Gao, Hangyu Zhao, Xueyi Chen, Yikai Yang, Haisheng Zheng, Zhuolun He, Bei Yu

机构 * The Chinese University of Hong Kong（香港中文大学） ； ChatEDA Tech（ChatEDA科技） 纠错

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

AI总结 本文提出OORL框架和GEPO方法，通过代码翻译任务提升LLMs对多编程语言代码功能的理解和跨语言关系的认知。

ADAPT: Learning Task Mixtures for Budget-Constrained Instruction Tuning

ADAPT：为预算受限的指令微调学习任务混合

Pritam Kadasi, Abhishek Upperwal, Mayank SIngh

机构 * Lingo Research Group, Indian Institute of Technology Gandhinagar（林戈研究组，印度理工学院冈德hinagar分校） ； Soket AI（Soket人工智能） 纠错

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

AI总结 ADAPT通过学习任务采样比例优化预算受限的指令微调，提升下游任务性能并更高效地分配训练资源。

Comments Under Review

Multimodal Markup Document Models for Graphic Design Completion

多模态标记文档模型用于图形设计完成

Kotaro Kikuchi, Ukyo Honda, Naoto Inoue, Mayu Otani, Edgar Simo-Serra, Kota Yamaguchi

机构 * Waseda University（早稻田大学） 纠错

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

AI总结 MarkupDM是一种多模态标记文档模型，通过统一处理图形设计任务，实现文本、图像和属性值的完成，展示了其在设计自动化中的广泛适用性。

Comments Accepted by ACM Multimedia 2025, Project page: https://cyberagentailab.github.io/MarkupDM/

Journal ref Proceedings of the 33rd ACM International Conference on Multimedia. 2025. p.11022-11031

When Do Symbolic Solvers Enhance Reasoning in Large Language Models?

符号求解器在大语言模型中增强推理何时有效？

Zhiyuan He, Dingmin Wang

机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学） 纠错

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

AI总结 本文研究符号求解器如何在大语言模型中增强推理，发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异，尤其在约束满足问题中提升显著。

Think in Parallel, Answer as One: Logit Averaging for Open-Ended Reasoning

并行思考，一答为终：用于开放性推理的Logit平均

Haonan Wang, Chao Du, Kenji Kawaguchi, Tianyu Pang

机构 * National University of Singapore（新加坡国立大学） ； Sea AI Lab（Sea AI实验室） 纠错

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

AI总结 ThinkMerge通过并行推理轨迹的logit平均提升开放式推理性能，适用于代码生成和网络深度研究等任务。