代码大模型 / AI 编程

Functional and Secure Code Generation with Task Vectors

使用任务向量进行功能和安全代码生成

Felix Wang, Anudeep Das, Mei Nagappan, N. Asokan

机构 * KTH Royal Institute of Technology（皇家理工学院） 纠错

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

AI总结 研究旨在解决大语言模型生成安全功能代码的问题，提出SecVecCoder方法，利用任务向量生成可信代码，在CodeGuard+基准测试中提升了可信代码完成率，且解码延迟低。

An Online Reference-Free Evaluation Framework for Flowchart Image-to-Code Generation

用于流程图图像到代码生成的在线无参考评估框架

Giang Son Nguyen, Zi Pong Lim, Sarthak Ketanbhai Modi, Yon Shin Teo, Wenya Wang

机构 * Nanyang Technological University（南洋理工大学） ； AUMOVIO Singapore（AUMOVIO新加坡） ； VinUniversity（文理大学） 纠错

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

AI总结 针对流程图图像到代码生成在生产中无真实代码难以评估输出质量的问题，提出无参考评估框架，通过RecallOCR和PrecisionVE两个指标及调和均值F1OCR-VE监测生成质量，在FlowVQA数据集验证了其可靠性。

Comments This manuscript was inadvertently made publicly available before all necessary internal review processes had been completed. The authors are withdrawing the manuscript

Leveraging Metamemory Agent for Enhanced Data-Free Code Generation in Large Language Models

利用元记忆智能体增强大语言模型的无数据代码生成

Shengsheng Zhou, Shuai Wang, Liang Ding, Yibing Zhan, Yong Luo, Zheng He, Fu Lin, Dapeng Tao

机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院，新加坡） ； School of Computer Science, National Engineering Research Center for Multimedia Software, Wuhan University, Wuhan, China（多媒体软件国家工程研究中心计算机学院，武汉大学，中国） ； The University of Sydney, Sydney, Australia（悉尼大学，澳大利亚） ； Yunnan United Vision Technology Company Ltd., China（云南联合视界技术有限公司，中国） ； School of Computer Science, Wuhan University, Wuhan, China（武汉大学计算机学院，中国） ； School of Information Science and Engineering, Yunnan University, Kunming, China（云南大学信息科学与工程学院，中国） 纠错

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

AI总结 提出元记忆智能体，通过引导模型回忆、评估和选择性利用相关知识，无需外部示例即可提升无数据场景下的单次代码生成质量。

Where Do LLMs Still Struggle? An In-Depth Analysis of Code Generation Benchmarks

LLMs仍面临哪些挑战？对代码生成基准的深入分析

Amir Molzam Sharifloo, Maedeh Heydari, Parsa Kazerooni, Daniel Maninger, Mira Mezini

机构 * The Hessian Center for Artificial Intelligence（黑森人工智能中心） ； National Research Center for Applied Cybersecurity ATHENE（应用网络安全国家研究研究中心ATHENE） 纠错

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

AI总结 本文分析了LLMs在代码生成基准中的表现，识别出主要失败任务，并探讨了静态复杂度和常见问题导致的弱点。

Comments To be published in Proceedings of 2025 2nd IEEE/ACM International Conference on AI-powered Software (AIware), Data & Benchmark Track

Journal ref AIware (2025) 249-253

EfficientUICoder: A Bidirectional Token Compression Framework for Efficient MLLM-Based UI Code Generation

EfficientUICoder: 一种用于高效基于多模态大语言模型的UI代码生成的双向标记压缩框架

Jingyu Xiao, Zhongyi Zhang, Yuxuan Wan, Yintong Huo, Yang Liu, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huazhong University of Science and Technology（华中科技大学） ； Singapore Management University（新加坡管理大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出EfficientUICoder，通过元素和布局感知标记压缩、区域感知标记精炼和自适应重复标记抑制，有效压缩UI代码生成的标记数量，提升生成效率和代码质量。

Comments Published in the Proceedings of the 2026 ACM International Conference on the Foundations of Software Engineering (FSE 2026)

LibEvoBench: Probing Temporal Knowledge Stratification in Code Generation Models

LibEvoBench：探测代码生成模型中的时间知识分层

Daniele Cipollone, Sergey Titov, Maliheh Izadi, Egor Bogomolov, Arie van Deursen

机构 * Faculty of EEMCS, Delft University of Technology, Delft, Netherlands（代尔夫特理工大学电子工程与信息科学学院） ； JetBrains Research, Amsterdam, Netherlands（JetBrains研究） 纠错

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

AI总结 针对LLM在代码生成中因训练数据时间混合导致API版本混淆的问题，提出多版本基准LibEvoBench和新指标SEUS，揭示模型对版本不敏感且仅靠文档可提升准确性。

Comments Accepted at the DL4Code workshop at ICML 2026

Text2DSL: LLM-Based Code Generation for Domain-Specific Languages

Text2DSL：基于大语言模型的领域特定语言代码生成

Alexander V. Kozachok, Alexander M. Nazimov, Shamil G. Magomedov

机构 * RTU MIREA --- Russian Technological University（俄罗斯技术大学） ； Academy of the Federal Guard Service of the Russian Federation（俄罗斯联邦警卫局学院） 纠错

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

AI总结 提出Text2DSL任务，将自然语言描述自动转换为领域特定语言（DSL）代码；构建PolkitBench数据集，通过结构化上下文（BNF语法、API规范等）显著提升LLM生成代码的语法和结构有效性。

Comments 14 pages, 4 figures, 5 tables. Accepted at KES 2026 (Knowledge-Based Intelligent Information and Engineering Systems), Procedia Computer Science, Elsevier

AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion

AlignCoder: 为目标意图对齐检索以实现仓库级代码补全

Tianyue Jiang, Yanli Wang, Yanlin Wang, Daya Guo, Ensheng Shi, Yuchi Ma, Jiachi Chen, Zibin Zheng

机构 * School of Software, Sun Yat-sen University（中山大学软件学院） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 针对仓库级代码补全中检索与目标代码不匹配及无法利用推理信息的问题，提出AlignCoder框架，通过查询增强和基于强化学习的检索器训练，在CrossCodeEval上EM分数提升18.1%。

Comments To appear at ASE'25

Towards Functional Correctness of Large Code Models with Selective Generation

面向大型代码模型的功能正确性：选择性生成方法

Jaewoo Jeong, Taesoo Kim, Sangdon Park

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 针对代码生成模型的幻觉问题，提出利用动态代码分析自动生成单元测试，基于功能正确性评估进行选择性生成，以控制非弃权答案的错误发现率，并引入FuzzEval范式用于精确评估。

Comments ICML 2026

Beyond Problem Solving: UOJ-Bench for Evaluating Code Generation, Hacking, and Repair in Competitive Programming

超越问题求解：用于评估竞赛编程中代码生成、攻击和修复的UOJ-Bench基准

Tingqiang Xu, Hangrui Zhou, Tianle Cai, Alex Gu, Kaifeng Lyu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出UOJ-Bench基准，通过代码生成、攻击和修复三项任务评估LLM在竞赛编程中的问题求解与人类代码错误识别能力，发现最强模型在一次性评估中无法识别超过50%的错误提交，但测试时扩展可提升至90%以上，且能发现约5%的满分提交中的错误。

Secure Code Generation at Scale with Reflexion

大规模安全代码生成中的反射

Arup Datta, Ahmed Aljohani, Hyunsook Do

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 研究评估了使用Instruct Prime和反射提示方法提升代码安全性的效果，发现反射提示能显著提高安全性能，尤其在第一轮提示中效果最明显。

Comments Accepted for publication at the 2nd IEEE International Conference on AI-powered Software (AIware 2025)

Microskill Architecture: A Modular Skill-Driven Framework for AI-Native Code Generation

微技能架构：一种面向AI原生代码生成的模块化技能驱动框架

Mohammad Zare, Omid Abdolrahmani

机构 * Artificial Intelligence Laboratory at AriooBarzan（AriooBarzan人工智能实验室） ； Engineering Team, Shiraz, Iran（伊朗谢尔兹工程团队） 纠错

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

AI总结 本文提出微技能架构，通过将知识封装为原子技能胶囊并动态选择相关胶囊，解决AI代码生成中的上下文窗口管理问题，显著降低token消耗、提高编译成功率并消除架构违规。

Benchmarking Multimodal LLMs on Code Generation for Complex Interactive Webpages

多模态大语言模型在复杂交互网页代码生成上的基准测试

Fan Wu, Lishuai Dong, Cuiyun Gao, Yujia Chen, Yiming Huang, Yang Xiao, Qing Liao

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

AI总结 针对现有基准忽略复杂交互行为的问题，提出WebIGBench基准，包含103个真实复杂网页和871个交互动作，并设计新评估流程，测试多模态大语言模型在交互式网页代码生成上的性能。

Knowledge Boundary Probing and Demand-Guided Intervention for LLM-Based Power System Code Generation

知识边界探测与需求引导干预：面向基于LLM的电力系统代码生成

Hui Wu, Xiaoyang Wang, Zhong Fan

机构 * Department of Engineering, University of Exeter（工程系，埃克塞特大学） ； Department of Computer Science, University of Exeter（计算机科学系，埃克塞特大学） 纠错

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

AI总结 针对LLM在电力系统代码生成中因API知识边界错误导致失败的问题，提出PowerCodeBench基准、L0-L3文档驱动探测和边界感知干预方法，显著提升模型准确率。

Comments 43 pages, 12 figures, includes supplementary material

Improving Small Language Models for Code Generation with Reinforcement Learning from Verification Feedback

通过验证反馈的强化学习改进用于代码生成的小型语言模型

Egor Skopin, Evgeny Kotelnikov

机构 * Vyatka State University（沃伊亚提卡州立大学） ； European University at St. Petersburg（圣彼得堡欧洲大学） 纠错

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

AI总结 本研究通过基于验证奖励的强化学习（RLVR）结合LoRA微调，在MBPP基准上对小型语言模型（Qwen3-0.6B和Llama3.2-1B）进行Python代码生成实验，发现奖励设计对功能正确性和行为诊断有显著影响，并提出组合奖励可稳定权衡正确性与风格约束。

Comments Accepted for AINL-2026 conference

CodeGolf Bench: A Multi-Language Benchmark for Evaluating Concise Code Generation Capabilities of Large Language Models

CodeGolf Bench：评估大型语言模型简洁代码生成能力的多语言基准

Vedant Padwal

机构 * Independent（独立） 纠错

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

AI总结 提出CodeGolf Bench基准，基于代码高尔夫竞赛，在60种编程语言中评估LLM生成简洁高效代码的能力，实验表明推理模型显著优于非推理模型。

Comments 12 pages, 6 figures, 5 tables

Do LLMs Favor Their Providers? Measuring Vertical Integration Bias in Code Generation

LLM 是否偏袒其提供商？测量代码生成中的垂直整合偏差

Melih Catal, Alex Wolf, Tiago Ferreiro Matos, Pooja Rani, Harald Gall

机构 * University of Zurich（苏黎世大学） ； University of Mannheim（曼海姆大学） 纠错

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

AI总结 本文提出 VIBench 基准，通过 20 个提供商可选的软件集成场景，测量前沿 LLM 在直接和代理代码生成中的垂直整合偏差，发现六成关联模型存在显著偏差，代理工作流加剧偏差至 +39.2 个百分点。

Beyond pass@k: Redundancy-Aware RLVR for Multi-Sample Code Generation

超越 pass@k：面向多样本代码生成的冗余感知 RLVR

Le Bronnec Florian, Alexandre Verine, Rio Yokota, Benjamin Negrevergne

机构 * RIKEN Center for Computational Science（日本计算科学中心） 纠错

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

AI总结 针对代码生成中重复采样评估的冗余问题，提出基于 JPlag 相似度的反冗余奖励增强 RLVR，在有限预算下提升可执行正确性。

Comments Preprint under review

Beyond Binary: Turning Partial Success into Dense Verifiable Rewards for Reinforcement Learning in Code Generation

超越二元：将部分成功转化为代码生成中强化学习的密集可验证奖励

Longwen Wang, Yirui Liu, Xuan'er Wu, Xiaohui Hu, Yuankai Fan, Kaidong Yu, Qizhen Weng, Wei Xi, Xuelong Li

机构 * Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI）） ； Xingchen AGI Lab, China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd（中国电信人工智能技术（北京）有限公司Xingchen AGI实验室） ； National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，西安交通大学） 纠错

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

AI总结 提出VeRPO框架，利用代码测试的部分成功作为可验证密集奖励，通过动态密度校准局部奖励修正基数偏差，并与全局执行结果结合，提升代码生成强化学习的性能。

Enhancing Reliability in LLM-Based Secure Code Generation

增强基于LLM的安全代码生成的可靠性

Mohammed F. Kharma, Mohammad Alkhanafseh, Ahmed Sabbah, David Mohaisen

机构 * Department of Computer Science, Birzeit University（巴伊兹大学计算机科学系） ； Department of Computer Science, University of Central Florida（佛罗里达中央大学计算机科学系） 纠错

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

AI总结 提出Mitigation-Aware Chain-of-Thought (MA-CoT)框架，通过嵌入任务特定的CWE缓解指导和语言感知安全措施，显著降低LLM生成代码中的漏洞，在多个模型和语言上验证了其一致的安全可靠性提升。

Comments 15 pages; 7 tables; 3 figures

InteractScience: Programmatic and Visually-Grounded Evaluation of Interactive Scientific Demonstration Code Generation

InteractScience: 交互式科学演示代码生成的程序化与视觉导向评估

Qiaosheng Chen, Yang Liu, Lei Li, Kai Chen, Qipeng Guo, Gong Cheng, Fei Yuan

机构 * State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室，南京大学，中国南京） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，中国上海） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学，美国匹兹堡） 纠错

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

AI总结 本文提出InteractScience基准，用于评估大语言模型在生成交互式科学演示代码时结合科学知识与前端交互能力的综合表现，通过程序化测试和视觉测试相结合的方法，评估30种开源和闭源LLM的表现，揭示了在整合领域知识与交互前端编码方面的持续不足。

Comments 27 pages, 17 figures

Property-Guided LLM Program Synthesis for Planning

基于属性的LLM程序合成用于规划

André G. Pereira, Augusto B. Corrêa, Jendrik Seipp

机构 * Federal University of Rio Grande do Sul（里约格朗德杜斯尔大学） ； University of Oxford（牛津大学） ； Linköping University（林奈大学） 纠错

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

AI总结 本文研究了一种基于属性的LLM程序合成方法，通过检查候选程序是否满足形式定义的属性来指导LLM生成更高质量的程序，从而减少生成和评估成本。

Beyond Execution: Static-Analysis Rewards and Hint-Conditioned Diffusion RL for Code Generation

超越执行：静态分析奖励与提示条件扩散强化学习用于代码生成

Shuyin Ouyang, Zhaozhi Qian, Faroq AL-Tam, Muhammad AL-Qurishi, Jie M. Zhang

机构 * King’s College London（伦敦国王学院） ； Elm Europe（Elm欧洲） 纠错

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

AI总结 本文研究了强化学习在扩散式代码生成中的应用，探讨了静态分析奖励和提示条件扩散强化学习在不同任务难度下的效果，发现静态检查在提升代码生成性能方面表现最佳。

Task Abstention for Large Language Models in Code Generation

大型语言模型在代码生成中的任务回避

Yanke Zhou, Yuhao Tan, Senrong Xu, Zenan Li, Yuan Yao, Taolue Chen, Xiaoxing Ma

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

AI总结 本文研究了大型语言模型在代码生成任务中是否应回避生成可能产生幻觉的代码，提出了一种基于多重假设检验原理的校准回避规则，通过代码执行结果评估生成一致性，无需依赖Oracle测试用例或外部数据库，提供了一种可靠的安全且稳健的代码生成机制。

Comments 17 pages, 4 figures

Constrained Code Generation with Discrete Diffusion

带有离散扩散的约束代码生成

Lize Shao, Michael Cardei, Zichen Xie, Ferdinando Fioretto, Wenxi Wang

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出了一种无需训练的神经符号推理框架CDC，通过将约束满足直接整合到反向去噪过程中，提升代码生成中功能正确性、安全性和语法的约束满足能力。

BRIDGE: Building Representations In Domain Guided Program Synthesis

BRIDGE: 在领域引导的程序合成中构建表示

Robert Joseph George, Carson Eisenach, Udaya Ghai, Dominique Perrault-Joncas, Anima Anandkumar, Dean Foster

机构 * California Institute of Technology（加州理工学院） ； Amazon（亚马逊） 纠错

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

AI总结 BRIDGE通过多艺术ifacts程序合成框架提升Lean验证正确性，结合代码、规范和定理证明领域，提高生成效率和正确率。

Comments 41 pages, 10 figures, 3 tables. Preprint

Uncertainty Quantification for LLM-based Code Generation

基于大语言模型的代码生成的不确定性量化

Senrong Xu, Yuhao Tan, Yanke Zhou, Guangyuan Wu, Zenan Li, Yuan Yao, Taolue Chen, Feng Xu, Xiaoxing Ma

机构 * State Key Lab of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Birkbeck, University of London（伦敦大学伯克贝克学院） 纠错

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

AI总结 本文提出RisCoSet方法，通过多重假设检验构建风险控制的预测集，用于大语言模型代码生成任务，有效减少代码移除并提升准确性。

MURPHY: Feedback-Aware GRPO with Retrospective Credit Assignment for Multi-Turn Code Generation

MURPHY：具有回顾性信用分配的反馈感知GRPO用于多轮代码生成

Chanakya Ekbote, Vijay Lingam, Sujay Sanghavi, Jun Huan, Behrooz Omidvar-Tehrani, Anoop Deoras, Stefano Soatto

机构 * Massachusetts Institute of Technology（麻省理工学院） ； AWS AI（AWS人工智能） 纠错

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

AI总结 MURPHY通过构建反馈条件化的rollout树，实现多轮自修正代码生成，采用最大奖励和平均奖励策略，并引入post-rollout剪枝机制，提升多轮优化效率。

Comments 21 pages, 2 figures, 8 Tables

PaT: Planning-after-Trial for Efficient Test-Time Code Generation

PaT：在试后进行规划以实现高效的测试时间代码生成

Youngsik Yoon, Sungjae Lee, Seockbean Song, Siwei Wang, Wei Chen, Jungseul Ok

机构 * Department of Computer Science and Engineering, POSTECH, South Korea（韩国POSTECH计算机科学与工程系） ； Graduate School of Artificial Intelligence, POSTECH, South Korea（韩国POSTECH人工智能研究生院） ； Microsoft Research Asia, Beijing, China（中国北京微软亚洲研究院） 纠错

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

AI总结 本文提出PaT方法，通过在试后规划来提高测试时间代码生成的效率，采用异构模型配置在多个基准和模型家族中显著提升了成本性能帕累托前沿。

Comments Accepted to ACL 2026 main conference

Improving LLM Code Generation via Requirement-Aware Curriculum Reinforcement Learning

通过需求感知的课程强化学习改进LLM代码生成

Shouyu Yin, Zhao Tian, Junjie Chen, Shikai Guo

机构 * Tianjin University（天津大学） ； Dalian Maritime University（大连海事大学） 纠错

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

AI总结 本文提出RECRL框架，通过自动感知需求难度、优化挑战性需求和自适应课程采样策略，提升LLM代码生成性能，实验显示在多个基准上表现显著。