代码大模型 / AI 编程

Surprisal-Guided Selection: Compute-Optimal Test-Time Strategies for Execution-Grounded Code Generation

惊讶引导的选择：为执行导向代码生成的计算最优测试时间策略

Jarrod Barnes

机构 * Arc Intelligence（Arc智能） 纠错

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

AI总结 本文提出惊讶引导选择策略，通过提升样本多样性和智能选择，优化执行导向代码生成任务的测试时间策略，实现计算最优的高成功率。

Comments 13 pages, 7 figures, 11 tables. Preprint. Code: https://github.com/jbarnes850/test-time-training

LLM-FSM: Scaling Large Language Models for Finite-State Reasoning in RTL Code Generation

LLM-FSM: 通过大规模语言模型扩展有限状态推理用于RTL代码生成

Yuheng Wu, Berk Gokmen, Zhouhua Xie, Peijing Li, Caroline Trippel, Priyanka Raina, Thierry Tambe

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 LLM-FSM通过大规模语言模型评估有限状态机在RTL代码生成中的表现，展示了模型在复杂性增加时的准确性下降及训练和测试扩展的影响。

Constitutional Spec-Driven Development: Enforcing Security by Construction in AI-Assisted Code Generation

宪法式规范驱动开发：通过构建确保AI辅助代码生成中的安全

Srinivas Rao Marri

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

AI总结 本研究提出宪法规范驱动开发方法，通过在规范层嵌入不可协商的安全原则，有效减少AI生成代码中的安全缺陷，提升开发过程中的安全性。

Comments 15 pages, 2 figures, 5 tables, 11 code listings, 14 references. Includes reference implementation and compliance traceability matrix

Canonical Intermediate Representation for LLM-based optimization problem formulation and code generation

基于LLM的优化问题建模与代码生成的规范中间表示

Zhongyuan Lyu, Shuoyu Hu, Lujie Liu, Hongxia Yang, Ming LI

机构 * The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学） 纠错

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

AI总结 本研究提出规范中间表示（CIR）以提升LLM在复杂运营规则下的优化问题建模与代码生成能力，通过多智能体框架实现高精度建模。

Comments 41 pages, 4 figures, 5 tables

OUNLP at TSAR 2025 Shared Task: Multi-Round Text Simplifier via Code Generation

OUNLP在TSAR 2025共享任务中的表现：通过代码生成的多轮文本简化

Cuong Huynh, Jie Cao

机构 * School of Computer Science University of Oklahoma（计算机科学学院俄克拉荷马大学） 纠错

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

AI总结 OUNLP通过代码生成在TSAR 2025共享任务中提出多轮文本简化方法，利用基于规则和LLM的联合简化技术提升可读性控制的文本简化性能。

Comments Accepted to TSAR 2025 Workshop at EMNLP2025

The Machine Learning Canvas: Empirical Findings on Why Strategy Matters More Than AI Code Generation

机器学习画布：关于为何策略比AI代码生成更重要的实证发现

Martin Prause

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

AI总结 本研究通过实证分析揭示了机器学习项目成功的关键因素，强调策略比AI代码生成更重要，提出了机器学习画布框架，指出组织支持、策略规划、流程管理和生态系统是决定项目成败的核心要素。

Comments Dataset available: https://ieee-dataport.org/documents/machine-learning-canvas-success-determinants

When to Ponder: Adaptive Compute Allocation for Code Generation via Test-Time Training

何时思考：通过测试时间训练实现的自适应计算分配

Gihyeon Sim

机构 * Dongpae High School, Paju, Gyeonggi-do, Republic of Korea（京畿道帕久郡东垈高中） 纠错

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

AI总结 通过测试时间训练实现自适应计算分配，利用自监督重建损失选择性更新，提升代码语言建模性能

Comments 14 pages, 1 figure, 14 tables, code available at https://github.com/deveworld/ponderTTT

The Cream Rises to the Top: Efficient Reranking Method for Verilog Code Generation

顶层的奶油：一种高效的Verilog代码生成重排序方法

Guang Yang, Wei Zheng, Xiang Chen, Yifan Sun, Fengji Zhang, Terry Yue Zhuo

机构 * Northwest Polytechnical University, Shaanxi, China（西北工业大学） ； Nantong University, Jiangsu, China（南通大学） ； Minzu University of China, Beijing, China（中央民族大学） ； City University of Hong Kong, Hong Kong, China（香港城市大学） ； Monash University, Victoria, Australia（墨尔本大学） 纠错

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

AI总结 本文提出VCD-RNK模型，通过语义对齐问题解决Verilog生成中的领域知识不足问题，提升代码生成的可靠性与效率。

Comments Work in Progress

Model-Driven Quantum Code Generation Using Large Language Models and Retrieval-Augmented Generation

基于大语言模型和检索增强生成的模型驱动量子代码生成

Nazanin Siavash, Armin Moin

机构 * Department of Computer Science University of Colorado Colorado Springs (UCCS)（计算机科学系 佛罗里达大学科罗拉多州春分校） 纠错

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

AI总结 本文提出利用大语言模型和检索增强生成技术，通过UML模型生成量子代码，提升量子计算代码的准确性和一致性。

Comments This paper is accepted to the New Ideas and Emerging Results (NIER) track of the ACM/IEEE 28th International Conference on Model Driven Engineering Languages and Systems (MODELS)

Show and Tell: Prompt Strategies for Style Control in Multi-Turn LLM Code Generation

Jeremiah Bohr

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

Comments 23 pages, 2 figures, 3 tables. Under review

VeriGuard: Enhancing LLM Agent Safety via Verified Code Generation

Lesly Miculicich, Mihir Parmar, Hamid Palangi, Krishnamurthy Dj Dvijotham, Mirko Montanari, Tomas Pfister, Long T. Le

机构 * Google Cloud AI Research（谷歌云人工智能研究） ； Google DeepMind（谷歌DeepMind） 纠错

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

Comments 22 pages

CrossPL: Evaluating Large Language Models on Cross Programming Language Code Generation

Zhanhang Xiong, Dongxia Wang, Yuekang Li, Xinyuan An, Wenhai Wang

机构 * Zhejiang University（浙江大学） ； The University of New South Wales（新南威尔士大学） 纠错

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

LLM Performance for Code Generation on Noisy Tasks

Radzim Sendyka, Christian Cabrera, Andrei Paleyes, Diana Robinson, Neil Lawrence

机构 * University of Cambridge（剑桥大学） 纠错

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

Hallucination by Code Generation LLMs: Taxonomy, Benchmarks, Mitigation, and Challenges

Yunseo Lee, John Youngeun Song, Dongsun Kim, Jindae Kim, Mijung Kim, Jaechang Nam

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

Comments 15 pages, 4 figures

LibEvolutionEval: A Benchmark and Study for Version-Specific Code Generation

Sachit Kuhar, Wasi Uddin Ahmad, Zijian Wang, Nihal Jain, Haifeng Qian, Baishakhi Ray, Murali Krishna Ramanathan, Xiaofei Ma, Anoop Deoras

机构 * AWS AI Labs（AWS人工智能实验室） ； NVIDIA（英伟达） 纠错

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

Journal ref Proceedings of the 2025 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Albuquerque, New Mexico, USA, April 2-7, 2025

Assessing LLM code generation quality through path planning tasks

Wanyi Chen, Meng-Wen Su, Mary L. Cummings

机构 * Duke University（杜克大学） ； George Mason University（乔治·玛莎姆大学） 纠错

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

Carbon Footprint Evaluation of Code Generation through LLM as a Service

Tina Vartziotis, Maximilian Schmidt, George Dasoulas, Ippolyti Dellatolas, Stefano Attademo, Viet Dung Le, Anke Wiechmann, Tim Hoffmann, Michael Keckeisen, Sotirios Kotsopoulos

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

Comments Stuttgart Symposium, Springer

API-Assisted Code Generation for Question Answering on Varied Table Structures

Yihan Cao, Shuyi Chen, Ryan Liu, Zhiruo Wang, Daniel Fried

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

Comments EMNLP 2023 camera ready, 13 pages, 11 figures

Journal ref Proceedings of the Conference on Empirical Methods in Natural Language Processing, Association for Computational Linguistics, 2023, pages 14536-14548, Singapore

Benchmarking Prompt Engineering Techniques for Secure Code Generation with GPT Models

Marc Bruni, Fabio Gabrielli, Mohammad Ghafari, Martin Kropp

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

Comments Accepted at the 2025 IEEE/ACM Second International Conference on AI Foundation Models and Software Engineering (Forge 2025). 10 pages, 7 figures, 5 tables

Using Code Generation to Solve Open Instances of Combinatorial Design Problems

Christopher D. Rosin

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

SketchFill: Sketch-Guided Code Generation for Imputing Derived Missing Values

Yunfan Zhang, Changlun Li, Yuyu Luo, Nan Tang

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

Comments 19 pages, 6 figures

Seeker: Towards Exception Safety Code Generation with Intermediate Language Agents Framework

Xuanming Zhang, Yuxuan Chen, Yiming Zheng, Zhexin Zhang, Yuan Yuan, Minlie Huang

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

Comments 30 pages, 9 figures, submitted to ARR Dec

Insights from Benchmarking Frontier Language Models on Web App Code Generation

Yi Cui

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

Benchmarks and Metrics for Evaluations of Code Generation: A Critical Review

Debalina Ghosh Paul, Hong Zhu, Ian Bayley

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

Comments Accepted by the First IEEE International Workshop on Testing and Evaluation of Large Language Models (TELLMe 2024) and will be published in the proceedings of the IEEE AITest 2024 conference

Learn to Code Sustainably: An Empirical Study on LLM-based Green Code Generation

Tina Vartziotis, Ippolyti Dellatolas, George Dasoulas, Maximilian Schmidt, Florian Schneider, Tim Hoffmann, Sotirios Kotsopoulos, Michael Keckeisen

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

Symbolic Planning and Code Generation for Grounded Dialogue

Justin T. Chiu, Wenting Zhao, Derek Chen, Saujas Vaduguru, Alexander M. Rush, Daniel Fried

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

Comments Accepted to EMNLP 2023

mlirSynth: Automatic, Retargetable Program Raising in Multi-Level IR using Program Synthesis

Alexander Brauckmann, Elizabeth Polgreen, Tobias Grosser, Michael F. P. O'Boyle

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

Multi-Method Self-Training: Improving Code Generation With Text, And Vice Versa

Shriyash K. Upadhyay, Etan J. Ginsberg

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

Comments 23 pages, 3 figures

Transfer-Tuning: Reusing Auto-Schedules for Efficient Tensor Program Code Generation

Perry Gibson, José Cano

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

Comments 12 pages, 8 figures, in PACT 2022

TF-Coder: Program Synthesis for Tensor Manipulations

Kensen Shi, David Bieber, Rishabh Singh

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

Comments Published in ACM Transactions on Programming Languages and Systems (TOPLAS) with presentation at PLDI 2022