代码大模型 / AI 编程

OpInf-LLM: Parametric PDE Solving with LLMs via Operator Inference

OpInf-LLM：通过算子推断实现基于LLM的参数PDE求解

Zhuoyuan Wang, Hanjiang Hu, Xiyu Deng, Saviz Mowlavi, Yorie Nakahira

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

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

AI总结 本文提出OpInf-LLM框架，利用少量解数据实现多样PDE实例的准确预测，支持自然语言任务指定和物理基础推理，降低计算需求并提高异构环境下的求解成功率。

Coding with Eyes: Visual Feedback Unlocks Reliable GUI Code Generating and Debugging

通过眼睛编码：视觉反馈解锁可靠的GUI代码生成与调试

Zhilin Liu, Ye Huang, Ting Xie, Ruizhi Zhang, Wen Li, Lixin Duan

机构 * Shenzhen Institute for Advanced Study, University of Electronic Science 纠错

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

AI总结 本文提出InteractGUI Bench基准和VF-Coder系统，通过视觉反馈提升GUI代码生成与调试效果，提高成功率和视觉评分。

CEDAR: Context Engineering for Agentic Data Science

CEDAR：面向代理的数据科学应用

Rishiraj Saha Roy, Chris Hinze, Luzian Hahn, Fabian Kuech

机构 * Department of Generative AI, Fraunhofer IIS（生成人工智能系，弗劳恩霍夫研究所） 纠错

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

AI总结 CEDAR通过有效的上下文工程解决数据科学任务中的复杂性、数据规模、计算限制和上下文限制问题，采用分步生成计划和代码块的方式提升数据科学任务自动化水平。

Comments Accepted at ECIR 2026

Text to model via SysML: Automated generation of dynamical system computational models from unstructured natural language text via enhanced System Modeling Language diagrams

通过SysML生成动态系统模型：从无结构自然语言文本自动生成动态系统计算模型

Matthew Anderson Hendricks, Alice Cicirello

机构 * Department of Engineering, University of Cambridge, Trumpington Street, Cambridge, UK（剑桥大学工程系，特鲁布里奇顿街，剑桥，英国） 纠错

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

AI总结 本文提出利用领域和专家知识，通过SysML图自动从相关文档和输入文档生成动态系统计算模型，提升工程动态系统设计和部署效率。

Comments v3 - typos and imprecisions corrected, and added clarifications

Quality Assurance of LLM-generated Code: Addressing Non-Functional Quality Characteristics

LLM生成代码的质量保障：解决非功能性质量特性

Xin Sun, Daniel Ståhl, Kristian Sandahl, Christoph Kessler

机构 * Department of Computer and Information Science, Linköping University, Sweden（Linköping大学计算机与信息科学系） 纠错

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

AI总结 研究通过文献综述、行业研讨会和实证分析，探讨LLM生成代码在安全、可维护性和性能效率等非功能性质量特性上的表现，揭示学术研究与行业需求的不匹配，强调需在代码生成流程中集成质量保障机制。

Journal ref Journal of Systems and Software (2026)

SpecAgent: A Speculative Retrieval and Forecasting Agent for Code Completion

SpecAgent：一种用于代码补全的推测性检索与预测代理

George Ma, Anurag Koul, Qi Chen, Yawen Wu, Sachit Kuhar, Yu Yu, Aritra Sengupta, Varun Kumar, Murali Krishna Ramanathan

机构 * UC Berkeley（加州大学伯克利分校） ； Amazon Web Services（亚马逊网络服务） 纠错

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

AI总结 SpecAgent通过预索引探索和构建推测上下文，提升代码生成质量与推理效率，实验显示其在代码补全任务中比基线模型提升9-11%，显著降低推理延迟。

Comments In Proceedings of the Sixty-Fourth Annual Meeting of the Association for Computational Linguistics (2026)

TLoRA: Task-aware Low Rank Adaptation of Large Language Models

TLoRA：面向任务的大型语言模型低秩适应

Weicheng Lin, Yi Zhang, Jiawei Dang, Liang-Jie Zhang

机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国） 纠错

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

AI总结 TLoRA通过联合优化初始化和资源分配，提升LoRA在不同任务中的性能，减少可训练参数数量。

Comments Accept to ACL 2026

CLASP: Training-Free LLM-Assisted Source Code Watermarking via Semantic-Preserving Transformations

CLASP：通过语义保持变换实现无需训练的LLM辅助源代码水印技术

Rui Xu, Jiawei Chen, Weizhi Liu, Zhaoxia Yin, Cong Kong, Xinpeng Zhang

机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） 纠错

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

AI总结 CLASP提出一种无需训练的LLM辅助源代码水印框架，通过语义保持变换嵌入水印位，实现跨语言的高容量水印插入与提取，提升鲁棒性和部署效率。

LLM Hypnosis: Exploiting User Feedback for Unauthorized Knowledge Injection to All Users

LLM催眠：利用用户反馈进行未经授权的知识注入以影响所有用户

Almog Hilel, Riddhi Bhagwat, Idan Shenfeld, Jacob Andreas, Leshem Choshen

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； IBM Research（IBM研究院） 纠错

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

AI总结 研究揭示语言模型通过用户反馈进行知识注入的漏洞，通过反馈信号可操控模型行为，导致事实错误、代码漏洞和虚假新闻。

XOXO: Stealthy Cross-Origin Context Poisoning Attacks against AI Coding Assistants

XOXO：针对AI编码助手的隐蔽跨域上下文污染攻击

Adam Štorek, Mukur Gupta, Noopur Bhatt, Aditya Gupta, Janie Kim, Prashast Srivastava, Suman Jana

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出XOXO攻击，通过隐蔽的跨域上下文污染使AI编码助手生成漏洞代码。引入GCGS算法，利用Cayley图系统搜索变换空间，实现75.72%的攻击成功率，传统防御方法无效。

Comments Accepted to ACL 2026 (main)

Adversarial Arena: Crowdsourcing Data Generation through Interactive Competition

对抗领域：通过互动竞争进行众包数据生成

Prasoon Goyal, Sattvik Sahai, Michael Johnston, Hangjie Shi, Yao Lu, Shaohua Liu, Anna Rumshisky, Rahul Gupta, Anna Gottardi, Desheng Zhang, Lavina Vaz, Leslie Ball, Lucy Hu, Luke Dai, Samyuth Sagi, Maureen Murray, Sankaranarayanan Ananthakrishnan

机构 * Amazon Nova Responsible AI（亚马逊Nova负责任人工智能） 纠错

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

AI总结 本文提出对抗领域框架，通过攻击者和防御者之间的互动竞争生成高质量对话数据，提升低资源领域和多轮对话的质量。

Comments 10 pages, 3rd DATA-FM workshop @ ICLR 2026

AIRA: AI-Induced Risk Audit: A Structured Inspection Framework for AI-Generated Code

AIRA：AI诱导风险审计：一种用于AI生成代码的结构化检查框架

William M. Parris

机构 * BDB Labs（BDB实验室） ； Jurisprudential AI Governance Initiative（法理人工智能治理计划） 纠错

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

AI总结 本文提出AIRA框架，用于检测AI生成代码中的失败不真实模式，通过三个研究验证AI生成代码在严重性上的显著差异，适用于治理和安全关键系统。

Comments 15 pages, 6 tables. Introduces the Reward-Shaped Failure Hypothesis and AIRA, a deterministic inspection framework for detecting failure-untruthful patterns in AI-generated code. Includes three empirical studies and a strict matched-control replication

Automatic Dataset Construction (ADC): Sample Collection, Data Curation, and Beyond

自动数据集构建（ADC）：样本收集、数据整理与更广泛的领域

Minghao Liu, Zonglin Di, Jiaheng Wei, Zhongruo Wang, Hengxiang Zhang, Ruixuan Xiao, Haoyu Wang, Jinlong Pang, Hao Chen, Ankit Shah, Hongxin Wei, Xinlei He, Zhaowei Zhao, Haobo Wang, Lei Feng, Jindong Wang, James Davis, Yang Liu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Amazon（亚马逊） ； SUSTech（华南理工大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； Carnegie Mellon University（卡内基梅隆大学） ； HKUST (GZ)（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft（微软） 纠错

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

AI总结 本文提出自动数据集构建方法ADC，通过LLM实现高效数据集生成，减少人工标注成本，构建包含12个主类和12000个细粒度子类的Clothing-ADC数据集，降低标签噪声至10.7%，并设计三个针对标签噪声和类别不平衡的基准数据集。

Stability-Weighted Decoding for Diffusion Language Models

扩散语言模型的稳定性加权解码

Yue Wu, Jian Huang

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，Location，Country） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，Location，Country） ； Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong, China（数据科学与人工智能系，香港理工大学，香港，中国） 纠错

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

AI总结 本文提出稳定性加权解码方法，通过引入时间稳定性提升扩散语言模型的生成准确性与鲁棒性，实验表明其在代码生成和数学推理任务中表现优异。

LLM as a Tool, Not an Agent: Code-Mined Tree Transformations for Neural Architecture Search

将LLM作为工具而非代理：基于代码挖掘的树变换用于神经架构搜索

Masakazu Yoshimura, Zitang Sun, Yuiko Sakuma, Junji Otsuka, Atsushi Irie, Takeshi Ohashi

机构 * Sony Group Corporation（索尼集团公司） 纠错

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

AI总结 本文提出LLMasTool框架，通过树变换实现稳定且开放的模型进化，避免LLM的固有偏差，提升NAS在CIFAR-10、CIFAR-100和ImageNet16-120上的性能。

Comments 72 pages

Sampling for Quality: Training-Free Reward-Guided LLM Decoding via Sequential Monte Carlo

采样以保证质量：通过序列蒙特卡洛方法实现无训练奖励引导的大语言模型解码

Jelena Markovic-Voronov, Wenhui Zhu, Bo Long, Zhipeng Wang, Suyash Gupta, Kayhan Behdin, Bee-Chung Chen, Deepak Agarwal

机构 * LinkedIn 纠错

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

AI总结 本文提出一种基于概率框架的奖励引导解码方法，通过结合模型转移概率和前缀依赖的奖励势能，改进传统解码方法的序列级质量优化。实验表明，该方法在代码生成和数学推理任务中显著提升性能。

CodeMMR: Bridging Natural Language, Code, and Image for Unified Retrieval

CodeMMR：连接自然语言、代码和图像以实现统一检索

Jiahui Geng, Qing Li, Fengyu Cai, Fakhri Karray

机构 * MBZUAI ； Linköping University（林雪平大学） ； University of Groningen（格罗宁根大学） ； TU Darmstadt（图宾根大学） 纠错

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

AI总结 本文提出CodeMMR，通过指令式多模态对齐，将自然语言、代码和图像嵌入共享语义空间，实现跨模态和语言的强泛化，优于基线模型，并提升RAG中的代码生成精度与视觉 grounding。

Journal ref CVPR 2026

AscendKernelGen: A Systematic Study of LLM-Based Kernel Generation for Neural Processing Units

AscendKernelGen: 一种针对神经处理单元的LLM基内核生成系统研究

Xinzi Cao, Jianyang Zhai, Pengfei Li, Zhiheng Hu, Cen Yan, Bingxu Mu, Guanghuan Fang, Bin She, Jiayu Li, Yihan Su, Dongyang Tao, Xiansong Huang, Fan Xu, Feidiao Yang, Yao Lu, Chang-Dong Wang, Yutong Lu, Weicheng Xue, Bin Zhou, Yonghong Tian

机构 * Pengcheng Laboratory（鹏城实验室） ； Huawei（华为） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出AscendKernelGen框架，通过引入Ascend-CoT数据集和KernelGen-LM模型，提升NPU内核生成效率与正确性，实验显示复杂内核编译成功率从0%提升至95.5%。

Comments 33 pages,7 figures,16 tables

Information-Consistent Language Model Recommendations through Group Relative Policy Optimization

通过群体相对策略优化实现信息一致的语言模型推荐

Sonal Prabhune, Balaji Padmanabhan, Kaushik Dutta

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

AI总结 本文提出基于群体相对策略优化的强化学习框架，旨在提升语言模型在等效提示下的信息一致性，通过熵基帮助性和稳定性奖励优化模型稳定性。

Journal ref 2026 IEEE Conference on Artificial Intelligence (CAI)

Acceptance Dynamics Across Cognitive Domains in Speculative Decoding

跨认知领域接受动态的推测解码

Saif Mahmoud

机构 * College of Engineering, Al Ain University Abu Dhabi, United Arab Emirates（阿联酋阿因大学工程学院） 纠错

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

AI总结 本文研究了基于树的推测解码接受动态，分析了不同NLP任务领域对接受概率的影响，发现任务类型比树深度更能预测接受率，且聊天领域表现出较高的熵和接受率。

ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods

ALL-FEM：面向有限元方法的代理式大语言模型

Rushikesh Deotale, Adithya Srinivasan, Yuan Tian, Tianyi Zhang, Pavlos Vlachos, Hector Gomez

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

AI总结 ALL-FEM通过代理式AI与领域专用微调LLM结合，实现固体力学、流体力学及多物理场问题的自动有限元分析，其微调模型在39个基准测试中达到71.79%的代码级成功率。

Why Code, Why Now: An Information-Theoretic Perspective on the Limits of Machine Learning

为何编写代码，为何现在：从信息论的角度看机器学习的限制

Zhimin Zhao

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

AI总结 本文从信息结构角度探讨机器学习的限制，提出基于信息结构的五级可学习性层次，指出任务在该层次中的位置比模型属性更预测扩展效果。

LLMs for Text-Based Exploration and Navigation Under Partial Observability

基于部分可观测性的文本基于探索与导航中的大型语言模型

Stephan Sandfuchs, Maximilian Melchert, Jörg Frochte

机构 * AKIS -- Interdisciplinary Institute for Applied AI and Data Science Ruhr（AKIS——鲁尔跨学科应用人工智能与数据科学研究所） ； Bochum University of Applied Sciences（波鸿应用科学大学） 纠错

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

AI总结 本文研究了大型语言模型在部分可观测环境下作为纯文本控制器的可行性，评估了九种不同LLM在探索和导航任务中的表现，发现推理调优模型在导航任务中表现更可靠，但效率仍低于理想路径。

Comments 15 pages, (to be published Springer Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering [LNICST] )

Skip-Connected Policy Optimization for Implicit Advantage

隐式优势下的跳连策略优化

Fengwei Teng, Jinyi Bai, Xinhao Yao, Demi Ruohan Wang, Jiahao Zhao, Zhijiang Guo

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Renmin University of China（中国人民大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出跳连优化方法，通过将推理分解为上游和下游阶段，利用密集奖励和蒙特卡洛采样提升性能，在数学基准和领域外任务中取得显著提升。

ChipSeek: Optimizing Verilog Generation via EDA-Integrated Reinforcement Learning

ChipSeek: 通过集成EDA的强化学习优化Verilog生成

Zhirong Chen, Kaiyan Chang, Zhuolin Li, Cangyuan Li, Xinyang He, Chujie Chen, Mengdi Wang, Haobo Xu, Yinhe Han, Huawei Li, Ying Wang

机构 * SKLP, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所智能计算机研究中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 ChipSeek通过集成EDA的强化学习框架，优化RTL代码生成，提升功能正确性和PPA指标。

Comments Accepted by ACL 2026 Main Conference

ModeX: Evaluator-Free Best-of-N Selection for Open-Ended Generation

ModeX：无需评估器的开放生成最佳-N选择

Hyeong Kyu Choi, Sharon Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 ModeX提出一种无需外部评估器的最佳-N选择方法，通过识别主导语义共识的模态输出，提升开放生成任务的鲁棒性与效率。

Comments ACL 2026 Main

An Imperfect Verifier is Good Enough: Learning with Noisy Rewards

完美验证者并非必需：在有噪声奖励下学习

Andreas Plesner, Francisco Guzmán, Anish Athalye

机构 * Handshake AI ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 研究通过引入噪声探讨强化学习在有噪声奖励下的鲁棒性，发现15%的噪声率下验证准确率接近干净基线，表明不完美验证不影响RLVR效果。

Do AI Models Dream of Faster Code? An Empirical Study on LLM-Proposed Performance Improvements in Real-World Software

AI模型是否梦想着更快的代码？对LLM在现实软件中提出性能改进的实证研究

Lirong Yi, Gregory Gay, Philipp Leitner

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） 纠错

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

AI总结 研究通过65个性能关键的开源Java项目任务，评估LLM生成复杂工程问题的性能，发现其解法波动大且低于人类开发者，指出当前算法任务基准评估过于乐观，需转向更复杂的代理系统以提升性能。

Prompt Compression in the Wild: Measuring Latency, Rate Adherence, and Quality for Faster LLM Inference

野火中的提示压缩：测量延迟、速率遵守和质量以加快大语言模型推理

Cornelius Kummer, Lena Jurkschat, Michael Färber, Sahar Vahdati

机构 * ScaDS.AI Dresden/Leipzig, CIDS, TU Dresden（ScaDS.AI 德累斯顿/莱比锡，CIDS，德累斯顿工业大学） 纠错

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

AI总结 本文研究了提示压缩在实际应用中的延迟、速率遵守和质量影响，通过大规模实验发现，当提示长度、压缩比和硬件容量匹配时，LLMLingua可实现18%的端到端加速，但超出此范围压缩步骤会抵消收益。

Comments Accepted at ECIR 2026 (Full Paper)

APEX-EM: Non-Parametric Online Learning for Autonomous Agents via Structured Procedural-Episodic Experience Replay

APEX-EM：通过结构化程序-经验经验回放实现自主代理的非参数在线学习

Pratyay Banerjee, Masud Moshtaghi, Ankit Chadha

机构 * Amazon, AGI / Sunnyvale, USA（亚马逊 AGI / 美国森尼韦尔） 纠错

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

AI总结 本文提出APEX-EM框架，通过结构化经验表示和PRGII工作流，实现自主代理的非参数在线学习，提升跨领域任务的性能。

Comments 17 pages, 13 figures