代码大模型 / AI 编程

AMSnet-q: Unsupervised Circuit Identification and Performance Labeling for AMS Circuits

AMSnet-q：无监督的电路识别与性能标注用于AMS电路

Ze Zhang, Junzhuo Zhou, Yichen Shi, Zhuofu Tao, Rui Ji, Zhiping Yu, Quan Chen, Ting-Jung Lin, Lei He

机构 * Southern University of Science and Technology（南方科技大学） ； University of California Los Angeles（加州大学洛杉矶分校） ； Tsinghua University（清华大学） ； Eastern Institute of Technology Ningbo（宁波东部技术研究院） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 AMSnet-q通过无监督方法自动构建AMS电路数据库，实现电路功能验证和性能标注，无需人工干预。

A Hybrid Windkessel-Neural Approach for Improved Noninvasive Blood Pressure Monitoring

一种结合风阻和神经网络的方法用于改进无创血压监测

Vaibhav Gollapalli, Aniruth Ananthanarayanan

机构 * University of North Texas（北卡罗来纳州立大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出结合风阻模型与机器学习的方法，通过将风阻模型转化为可应用于神经网络的ODE系统，提升血压预测的物理一致性和鲁棒性。

Characterizing and Modeling the GitHub Security Advisories Review Pipeline

刻画和建模GitHub安全通告审查流程

Claudio Segal, Paulo Segal, Carlos Eduardo Banjar, Felipe de Sant'Anna Paixão, Hudson Silva Borges, Paulo Silveira, Eduardo Santana de Almeida, Joanna C. S. Santos, Anton Kocheturov, Gaurav Kumar Srivastava, Daniel Sadoc Menasché

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文通过大规模实证研究分析GitHub安全通告审查流程，发现两类不同延迟机制，并建立队列模型以解释审查流程差异。

Comments Paper accepted at 23rd International Mining Software Repositories Conference (MSR 2026)

Semi-supervised learning with max-margin graph cuts

基于最大边际图割的半监督学习

Branislav Kveton, Michal Valko, Ali Rahimi, Ling Huang

机构 * Intel Labs（英特尔实验室） ； Santa Clara University（圣克拉拉大学） ； University of Pittsburgh（匹兹堡大学） ； Berkeley（伯克利） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出了一种新的半监督学习算法，通过最大化谐波函数解诱导标签的边际来学习图割。在合成数据和UCI ML数据集上验证了方法的有效性，并证明了其泛化误差界。

Comments Published at AISTATS 2010 (13th International Conference on Artificial Intelligence and Statistics)

Asset Administration Shell-Based OCL Validation Framework for Model-Based System Engineering

基于资产管理壳的OCL验证框架用于基于模型的系统工程

Om Parkash, Jannik Bauer, Vincent Schmitt, Thomas Greiner, Rainer Drath

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文提出基于资产管理壳的OCL验证框架，解决MBSE中模型约束管理和验证结果分散的问题，通过虚构工业场景演示方法，并公开所有 artifacts 以支持可重复性。

Comments 7 Pages, Accepted to IFAC 2026 (23rd IFAC World Congress)

Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests

野外代理搜索：从1400万次真实搜索请求中获取意图和轨迹动态

Jingjie Ning, João Coelho, Yibo Kong, Yunfan Long, Bruno Martins, João Magalhães, Jamie Callan, Chenyan Xiong

机构 * Carnegie Mellon University Pittsburgh PA US ； INESC-ID, Carnegie Mellon University Pittsburgh PA US ； INESC-ID, Instituto Superior T\'ecnico, University of Lisbon Lisbon Portugal ； NOVA LINCS\ University Lisbon Caparica Portugal ； Carnegie Mellon University ； INESC-ID, Carnegie Mellon University ； INESC-ID, Instituto Superior T\'ecnico, University of Lisbon ； NOVA LINCS\ University Lisbon 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.CL

AI总结 本文分析了1400万次真实搜索请求，揭示了代理搜索会话中的行为模式，包括步骤数、时间间隔及查询重构的可追溯性，为重复敏感停止和意图适应检索预算提供信号。

Comments Accepted at SIGIR 2026. DOI: 10.1145/3805712.3809627

RetroMotion: Retrocausal Motion Forecasting Models are Instructable

RetroMotion：逆因果运动预测模型具有可指导性

Royden Wagner, Omer Sahin Tas, Felix Hauser, Marlon Steiner, Dominik Strutz, Abhishek Vivekanandan, Jaime Villa, Yinzhe Shen, Carlos Fernandez, Christoph Stiller

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心） ； University Charles III of Madrid（马德里第三大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 本文提出RetroMotion模型，通过分解多代理运动预测为边际分布和联合分布，利用Transformer生成联合分布，实现信息逆向流动，有效提升预测精度，并在多个数据集上表现优异。

Comments CVPRW26

Learning from Medical Entity Trees: An Entity-Centric Medical Data Engineering Framework for MLLMs

从医学实体树学习：一种以实体为中心的医疗数据工程框架用于多模态大语言模型

Jianghang Lin, Haihua Yang, Deli Yu, Kai Wu, Kai Ye, Jinghao Lin, Zihan Wang, Yuhang Wu, Liujuan Cao

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国） ； ByteDance（字节跳动） ； Northeastern University（东北大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.CL

AI总结 本文提出以实体为中心的医疗数据工程框架，通过构建医学实体树，提升多模态大语言模型在医疗领域的表现，通过实体引导检索、双重过滤和知识感知数据合成等方法，增强模型处理复杂临床问题的能力。

PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model

PhysNote: 为视觉-语言模型中的可进化物理推理提供自我知识笔记

Sinin Zhang, Yunfei Xie, Yuxuan Cheng, Haoyu Zhang, Tong Zhang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Rice University（里奇大学） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 本文提出PhysNote框架，通过自我生成的知识笔记提升视觉-语言模型在动态物理推理中的表现，实验显示其在PhysBench上达到56.68%的准确率，优于多智能体基线。

Comments 11 pages. Accepted by ICLR 2026 Workshop ES-Reasoning

Heterogeneity-Aware Personalized Federated Learning for Industrial Predictive Analytics

面向工业预测分析的异质感知个性化联邦学习

Yuhan Hu, Xiaolei Fang

机构 * Edward P. Fitts Department of Industrial and Systems Engineering, North Carolina State University（爱德华·P·菲茨斯工业与系统工程系，北卡罗来纳州立大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出一种面向工业预测分析的异质感知个性化联邦学习模型，通过迭代促进具有相似退化模式的客户端间的协作，提升个性化联邦学习性能，同时实现模型个性化、数据隐私保护和全面故障时间分布提供。

Systematic Detection of Energy Regression and Corresponding Code Patterns in Java Projects

系统性检测Java项目中的能源回归及其相应代码模式

François Bechet, Jérôme Maquoi, Luís Cruz, Benoît Vanderose, Xavier Devroey

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文提出EnergyTrackr方法，用于检测Java项目中多提交的能源回归，识别潜在增加软件能耗的代码反模式，帮助开发者优化代码以减少能耗。

StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs

StrikeWatch: 基于紧凑时间序列模型的腕戴式步态识别在低功耗FPGA上

Tianheng Ling, Chao Qian, Peter Zdankin, Torben Weis, Gregor Schiele

机构 * University of Duisburg-Essen, Duisburg, Germany（杜伊斯堡-埃森大学） ； PALUNO, The Ruhr Institute for Software Technology, Essen, Germany（PALUNO鲁尔软件技术研究所） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出StrikeWatch，一种基于IMU信号的腕戴式实时步态识别系统，通过优化四种紧凑深度学习架构在FPGA上的能耗效率，实现步态模式的自我纠正。

Comments 9 pages, 6 figures, 3 tables, accepted by IEEE Annual Congress on Artificial Intelligence of Things (IEEE AIoT) and got best paper award

Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management

面向嵌入式FPGA的自动化能源感知时间序列模型部署用于抗灾联合排水系统管理

Tianheng Ling, Vipin Singh, Chao Qian, Felix Biessmann, Gregor Schiele

机构 * University of Duisburg-Essen（杜伊斯堡-埃森大学） ； Berlin University of Applied Sciences and Technology（柏林应用技术大学） ； Einstein Center for Digital Future（数字未来埃因斯坦中心） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出一种端到端预测框架，通过在边缘设备上高效执行轻量级Transformer和LSTM模型，实现低能耗的排水系统预测，为抗灾管理提供支持。

Comments 6 pages, 6 figures, 1 table, accepted by the 11th IEEE International Smart Cities Conference (ISC2)

Can LLMs Beat Classical Hyperparameter Optimization Algorithms? A Study on autoresearch

LLMs能否超越经典超参数优化算法？对autoresearch的研究

Fabio Ferreira, Lucca Wobbe, Arjun Krishnakumar, Frank Hutter, Arber Zela

机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； University of Freiburg（弗赖堡大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Prior Labs（Prior实验室） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文通过autoresearch平台比较经典HPO算法与LLM方法在优化小型语言模型超参数时的表现，发现经典方法在避免内存故障方面更优，而LLM在代码编辑能力上有所提升，但未完全超越经典方法，提出Centaur混合方法结合经典算法和LLM优势，取得最佳效果。

Applying SHAPR in AI-Assisted Research Software Development: Lessons Learnt from Building a Share Trading System

在AI辅助研究软件开发中应用SHAPR：从构建股票交易系统中获得的经验

Ka Ching Chan

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文通过构建模块化股票交易系统案例，展示了SHAPR框架在AI辅助软件开发中的应用，强调持续文档更新、合同稳定编码、源码层提升连贯性等核心方法与贡献。

Comments 6 pages, 2 figures, conference paper

Autonomous Evolution of EDA Tools: Multi-Agent Self-Evolved ABC

自主进化EDA工具：多智能体自进化ABC

Cunxi Yu, Haoxing Ren

机构 * NVIDIA Research（NVIDIA研究） ； University of Maryland（马里兰大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 本文提出首个自进化逻辑综合框架，利用大语言模型代理自主改进ABC逻辑综合系统源代码，通过多套基准测试验证其在大规模代码层面的自主进化能力。

Comments 7 pages; To appear at DAC 2026

Research Artifacts in Secondary Studies: A Systematic Mapping in Software Engineering

二次研究中的研究物：软件工程中的系统映射

Aleksi Huotala, Miikka Kuutila, Mika Mäntylä

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文通过系统映射分析了2013-2023年间537项二次研究中研究物的报告情况，发现仅31.5%的研究包含研究物，但随时间推移有所提升，2023年仍有62%的研究提供研究物，但永久存储的比例较低。

Comments Published in Information and Software Technology (Volume 187, November 2025, 107830)

Journal ref Information and Software Technology Information and Software Technology,187,2025

From Where Words Come: Efficient Regularization of Code Tokenizers Through Source Attribution

词源何处：通过源归属高效正则化代码分词器

Pavel Chizhov, Egor Bogomolov, Ivan P. Yamshchikov

机构 * CAIRO, Technical University of Applied Sciences Würzburg-Schweinfurt（CAIRO应用技术大学（乌尔姆-施维林）） ； JetBrains Research（JetBrains研究） ； TU Delft（代尔夫特理工大学） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.CL

AI总结 本文通过源归属BPE（SA-BPE）正则化方法，解决代码分词器因训练数据不平衡导致的冗余token问题，提升分词效率与安全性。

How Developers Adopt, Use, and Evolve CI/CD Caching: An Empirical Study on GitHub Actions

开发者如何采用、使用和演变CI/CD缓存：一项针对GitHub Actions的实证研究

Kazi Amit Hasan, Yuan Tian, Safwat Hassan, Steven H. H. Ding

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文通过分析952个GitHub仓库，研究开发者在GitHub Actions中配置和演变CI/CD缓存的方式，揭示缓存使用模式及演变驱动因素，量化缓存维护的大量工作量。

Operationalizing Research Software for Supply Chain Security

将供应链安全应用于研究软件

Kelechi G. Kalu, Soham Rattan, Taylor R. Schorlemmer, George K. Thiruvathukal, Jeffrey C. Carver, James C. Davis

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文提出面向研究软件供应链的分类法，通过系统回顾和数据集构建，建立统一的分类体系，并展示如何利用OpenSSF Scorecard分析不同分类簇的安全信号差异。

Journal ref ICSE-JAWS 2026

ORBIT: Guided Agentic Orchestration for Autonomous C-to-Rust Transpilation

ORBIT: 用于自主C到Rust转换的引导代理 orchestration

Muhammad Farrukh, Baris Coskun, Tapti Palit, Michalis Polychronakis

专题命中 仓库级理解 ：coding agent(abstract)；分类 cs.SE

AI总结 ORBIT 提出一种自主代理框架，通过动态上下文收集和依赖引导 orchestration 实现项目级 C到Rust转换，显著提升大规模代码转换的准确性和安全性。

GitFarm: Git as a Service for Large-Scale Monorepos

GitFarm: 为大规模单体仓库提供 Git 服务

Preetam Dwivedi, Akshay Hacholli, Adam Bettigole

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 针对 Uber 单体仓库中传统 Git 工作流的瓶颈问题，GitFarm 通过 gRPC API 提供状态化、身份范围化的 Git 服务，减少本地克隆和 I/O 开销，提升性能和可扩展性。

Comments 9 pages, 10 images

A unified data format for managing diabetes time-series data: DIAbetes eXchange (DIAX)

统一管理糖尿病时间序列数据的数据格式：DIAbetes eXchange (DIAX)

Elliott C. Pryor, Marc D. Breton, Anas El Fathi

机构 * University of Virginia, Center for Diabetes Technology（弗吉尼亚大学糖尿病技术中心） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出DIAX数据格式，统一糖尿病时间序列数据，促进机器学习应用的互操作性和可重复性，支持多个主流数据集。

Comments 7 pages, 2 figures

Efficient Inference for Large Vision-Language Models: Bottlenecks, Techniques, and Prospects

大型视觉-语言模型高效推理：瓶颈、技术与前景

Jun Zhang, Yicheng Ji, Feiyang Ren, Yihang Li, Bowen Zeng, Zonghao Chen, Ke Chen, Lidan Shou, Gang Chen, Huan Li

机构 * The State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高科技区（滨江）区块链与数据安全研究院） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.CL

AI总结 本文系统分析了大型视觉-语言模型推理中的效率瓶颈，提出基于推理生命周期的分类技术，探讨了信息密度、长上下文注意力管理和内存限制的平衡，并展望了未来四个前沿方向。

Comments Accepted to ACL 2026 Findings

Investigating CI/CD-based Technical Debt Management in Open-source Projects

研究基于CI/CD的技术债务管理在开源项目中的应用

João Paulo Biazotto, Daniel Feitosa, Paris Avgeriou, Elisa Yumi Nakagawa

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文通过分析GitHub上的60万Travis CI配置文件，探讨了技术债务管理工具在CI/CD流水线中的使用情况，发现大多数工具通过外部脚本执行，且'无反馈'是常见配置反模式。

A Vision for Context-Aware CI Adoption Decisions

面向上下文的持续集成采纳决策展望

Osamah H. Alaini, Taher A. Ghaleb

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文提出基于AI的框架，通过评估项目特征推荐适合的CI服务，旨在实现基于上下文的CI采纳决策，避免冗余服务和迁移成本。

Comments Accepted at the 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE 2026)

Dual-Rerank: Fusing Causality and Utility for Industrial Generative Reranking

双重重排：融合因果性与效用性用于工业生成重排

Chao Zhang, Shuai Lin, ChengLei Dai, Ye Qian, Fan Mingyang, Yi Zhang, Yi Wang, Jingwei Zhuo

机构 * Kuaishou Technology（快手科技） ； Unaffiliated（无单位） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 本文提出Dual-Rerank框架，通过序列知识蒸馏解决结构矛盾，利用列表式解耦重排优化解决优化差距，提升重排效率与用户满意度。

All LCA models are wrong. Are some of them useful? Towards open computational LCA in ICT

所有LCA模型都是错误的。有些模型有用吗？迈向开放的ICT计算LCA

Vincent Corlay, David Bekri, Marie-Anne Lacroix, Maxime Pelcat, Maxime Peralta, Pierre-Yves Pichon, Leo Saillenfest, Olivier Weppe, Sebastien Rumley

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 本文探讨ICT LCA中模型的可靠性问题，指出需严格构建和校准模型系统，并提出四个关键要求及开放框架以提升可信度。

Comments Accepted at the Sustainable Computing Workshop in the scope of the 23rd ACM International Conference on Computing Frontiers (2026)

Experience Transfer for Multimodal LLM Agents in Minecraft Game

在Minecraft游戏中多模态大语言模型代理的经验迁移

Chenghao Li, Jun Liu, Songbo Zhang, Huadong Jian, Hao Ni, Lik-Hang Lee, Sung-Ho Bae, Guoqing Wang, Yang Yang, Chaoning Zhang

专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI

AI总结 本文提出Echo框架，通过分解经验为五维，使代理能从历史交互中提取可操作知识，提升复杂环境下的任务解决效率。

MSDformer: Multi-scale Discrete Transformer For Time Series Generation

MSDformer：多尺度离散Transformer用于时间序列生成

Shibo Feng, Zhicheng Chen, Xi Xiao, Zhong Zhang, Qing Li, Xingyu Gao, Peilin Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Tencent（腾讯） ； Peng Cheng Laboratory（鹏城实验室） ； Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） 纠错

专题命中 仓库级理解 ：repository(abstract)；分类 cs.LG

AI总结 MSDformer通过多尺度离散Transformer方法，解决传统DTM在捕捉复杂时间序列多尺度特征和理论指导方面的不足，提升生成质量。