Can LLMs Reason Like Automated Theorem Provers for Rust Verification? VCoT-Bench: Evaluating via Verification Chain of Thought
University of Virginia(弗吉尼亚大学)
本文提出VCoT-Bench,通过验证思维链评估LLMs在Rust验证中的能力,揭示其在不同证明类型和缺失证明情况下的脆弱性。
2026-08-18 cs.AI cs.LG cs.SE
AdaTrans: Automated C to Rust Transformation via Error-Adaptive Repair
Wuhan University(武汉大学)
提出AdaTrans框架,通过策略驱动检索增强生成、错误分层转换策略和多阶段验证流水线,解决C到Rust自动转换中所有权和借用语义违反问题,在104个算法问题上实现95.51%编译通过率和81.09%解决率,不安全文件率仅1.19%。
2026-07-01 cs.SE
Evaluating AI-generated code for C++, Fortran, Go, Java, Julia, Matlab, Python, R, and Rust
Louisiana State University(路易斯安那州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文通过数值积分、共轭梯度和并行热方程三个任务,评估ChatGPT 3.5/4在九种语言中生成科学计算代码的编译、性能与准确性。
2024-07-05 cs.AI cs.SE
XREPOTEST: Benchmarking Multilingual Repository-Level Unit Test Generation for Large Language Models
Hanoi University of Science and Technology(河内大学科学技术学院);University of L’Aquila(拉奎拉大学)
本文提出XREPOTEST多语言仓库级单元测试生成基准,针对5种少用语言,结合多上下文策略,用14种LLM实验发现独立与仓库级性能差距,为推进现实场景单元测试生成提供支撑。
2026-09-16 cs.SE
Beyond pip install: Evaluating LLM Agents for the Automated Installation of Python Projects
针对现有LLM软件工程智能体缺失仓库级依赖安装任务的问题,构建含40个Python项目的安装任务基准,提出Installamatic智能体通过检索仓库文档完成安装验证,实验显示55%的仓库十次尝试中至少可成功安装一次,并分析了失败原因与挑战。
2024-12-09 cs.SE
RepoReasoner: Evaluating Repository-Level Code Reasoning Ability of Long-Context Language Models
Sun Yat-sen University(中山大学);Zhejiang University(浙江大学)
研究针对现有代码推理基准测试局限,引入RepoReasoner评估仓库级代码推理,通过多阶段管道构建基准,评估输出预测和调用链预测能力,发现当前LLMs在仓库级推理存在局限,为未来相关研究提供方向。
2026-07-29 cs.SE
MRG-Bench: Evaluating and Exploring the Requirements of Context for Repository-Level Code Generation
针对现有代码生成评估的不足,提出多语言仓库级基准MRG-Bench,并通过实验揭示当前技术性能缺陷及主要源于难以理解用户需求,强调需按语言定制上下文。
2025-08-05 cs.SE
Better Call Grep: Evaluating and Improving Grep-Like Lexical Retrieval for Repository-Level Code Completion
Zhejiang University(浙江大学);Hangzhou City University(杭州城市大学);Shenzhou Aerospace Software Technology(神舟航天软件技术有限公司)
本文评估改进类Grep词汇检索,提出Naive GrepRAG基线,又结合后处理流水线的GrepRAG在代码补全任务上优于SOTA,为轻量检索支撑仓库级代码补全提供方案。
2026-07-30 cs.SE
Evaluating Repository-level Software Documentation via Question Answering and Feature-Driven Development
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Independent Researcher, China(独立研究者)
本文提出SWD-Bench基准,通过功能驱动的问答任务评估仓库级文档质量,揭示现有方法局限,并展示高质量文档对SWE-Agent问题解决率的提升。
2026-04-08 cs.AI cs.SE
CRUST-Bench: A Comprehensive Benchmark for C-to-safe-Rust Transpilation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);New York University(纽约大学)
本研究推出包含100个C仓库及配套安全Rust接口、测试用例的CRUST-Bench基准,用于评估C到安全Rust的转译效果,实验发现前沿大语言模型在该任务上表现不佳,最佳模型单轮仅能解决15个任务。
2025-10-01 cs.CL cs.LG cs.SE
VibeMemBench: Evaluating Memory Systems for Coding Agents on Real Repository Coding Tasks
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);SUAT;Alibaba Token Hub, Alibaba Group(阿里巴巴集团阿里巴巴令牌中心);Alibaba Group(阿里巴巴集团)
针对现有评估未隔离记忆对编码结果影响的问题,提出VibeMemBench基准,基于90个仓库111个目标验证记忆系统,发现现有系统多数未能超越无记忆基线,揭示经验传递差距。
2026-09-22 cs.CL cs.SE
FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation
State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(信息处理国家重点实验室,计算机学院,北京大学);Microsoft Research Asia(微软亚洲研究院)
针对现有基准缺乏评估仓库级功能实现能力的问题,提出FEA-Bench基准,通过83个GitHub仓库的拉取请求构建任务,要求模型同时具备代码补全与编辑能力,实验显示LLMs在此任务上表现显著较差。
2025-06-19 cs.CL cs.SE
RepoMod-Bench: A Benchmark for Code Repository Modernization via Implementation-Agnostic Testing
Modelcode AI
RepoMod-Bench通过实现无关测试评估代码仓库现代化,揭示大规模自主现代化的挑战。
2026-02-26 cs.SE
RACE-Bench: A Reasoning-Augmented Benchmark for Repository-Level Code Agents on Feature Addition
Zhejiang University(浙江大学);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新区(滨江)区块链与数据安全研究所)
本文提出RACE-bench基准,用于评估仓库级代码代理在特性添加任务中的推理能力,通过执行补丁验证和结构化中间推理地面真相,分析代理的推理质量与实现步骤转换性能。
2026-08-12 cs.SE
MM-IssueLoc: A Controlled Benchmark for Evaluating Visual Evidence in Multimodal Repository-Level Issue Localization
Tsinghua University(清华大学)
研究针对仓库级问题定位多为文本任务,视觉证据作用不明的情况,引入MM-IssueLoc基准和评估协议,含多语言实例与标注等。评估LLM和检索系统,发现现有系统距可靠多模态定位有差距,该基准让视觉证据成评估变量,助于后续研究。
2026-07-17 cs.AI cs.SE
ReCUBE: Evaluating Repository-Level Context Utilization in Code Generation
Carnegie Mellon University(卡内基梅隆大学);Emory University(埃默里大学)
ReCUBE基准测试评估LLM在代码生成中利用仓库级上下文的有效性,通过重建掩码文件并使用依赖关系和文档作为上下文,发现即使先进模型在完整上下文设置下也仅达到37.57%的通过率,而引入Caller-Centric Exploration工具包可显著提升性能。
2026-03-26 cs.AI cs.SE
Evaluating Package-Level Scoping Strategies for Repository-Level Code Completion in Pharo
Univ. Lille, Inria, CNRS, Centrale Lille, UMR 9189 CRIStAL(里尔大学、法国国家信息与自动化研究所、法国国家科学研究中心、中央里尔学院、CRIStAL实验室);CIRAD, UMR SENS(法国农业研究国际合作中心);CNRS, University of Bordeaux, Bordeaux INP, LaBRI, UMR5800(法国国家科学研究中心、波尔多大学、波尔多理工学院、LaBRI实验室)
针对仓库级代码补全忽略包结构的问题,提出三种包感知启发式策略,其中直接包依赖显著提升类名和方法名补全的MRR,并被Pharo 13采用。
2026-09-18 cs.SE
CATCODER: Repository-Level Code Generation with Relevant Code and Type Context
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(区块链与数据安全国家重点实验室,浙江大学)
CatCoder通过整合相关代码和类型上下文,提升仓库级代码生成的性能和可扩展性。
2025-11-21 cs.AI cs.SE
Don't Guess, Just Ask: Evaluating Interactive Requirement Clarification for Repository-Level Software Development
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
该研究提出ReqClarifyBench基准,评估LLM在仓库级软件开发中通过交互将模糊用户意图转化为明确需求的能力,发现澄清效果与文档质量无必然关联,编码智能体工具未提升需求文档质量。
2026-10-12 cs.AI cs.SE
Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents?
Department of Computer Science(计算机科学系);ETH Zurich(苏黎世联邦理工学院)
通过SWE-bench任务和开发者提交的上下文文件,评估发现上下文文件并未普遍提升编码助手的任务成功率,反而平均增加20%以上的推理成本。
2026-09-30 cs.AI cs.SE
SnipGen: A Mining Repository Framework for Evaluating LLMs for Code
William & Mary(威廉与玛丽学院)
针对代码 LLM 评估中的训练与评测数据重叠问题,本文提出 SnipGen 仓库挖掘框架,利用近期 GitHub 提交生成方法级数据点与可组合提示模板,支持严谨的代码生成评测。
2025-02-16 cs.AI cs.LG cs.SE
A.S.E: A Repository-Level Benchmark for Evaluating Security in AI-Generated Code
Tencent(腾讯公司);Peking University(北京大学);Fudan University(复旦大学);Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学);Zhejiang University(浙江大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Singapore Management University(新加坡国立大学)
本文提出仓库级基准A.S.E以评估AI生成代码在实际编程场景中的安全性,发现当前LLMs在安全编码、处理仓库级复杂性及推理预算方面存在局限,为模型选择与改进提供了重要见解。
2025-09-18 cs.AI cs.SE
OS-Bench: Evaluating SWE Agents on Cross-OS Code Migration
Georgia Institute of Technology(佐治亚理工学院);Microsoft(微软)
该研究针对跨OS代码迁移这一SWE智能体的薄弱环节,构建了含140个任务的OS-Bench基准,评估多款模型后发现其迁移成功率低,为提升平台感知SWE智能体提供了测试平台。
2026-10-14 cs.SE
SR-Eval: Evaluating LLMs on Code Generation under Stepwise Requirement Refinement
Sichuan University(四川大学);The Chinese University of Hong Kong(香港中文大学)
SR-Eval是一个针对迭代代码生成的评估基准,通过多轮交互模拟真实开发流程,评估LLM在逐步需求细化下的表现,发现最佳模型在功能级任务中仅达到22.67%的完成率。
2026-03-17 cs.SE
VulnGym: Benchmarking Coding Agents for Repository-Level Vulnerability Detection
Tencent Wukong(腾讯悟空);The Chinese University of Hong Kong(香港中文大学);Fudan University(复旦大学);The University of Hong Kong(香港大学);Peking University(北京大学)
研究人员提出VulnGym基准,解决现有基准难以评估代码智能体仓库级漏洞检测能力的问题,发现当前代码智能体在该检测及支撑追踪构建上仍存在局限。
2026-08-04 cs.SE
TimeMachine-bench: A Benchmark for Evaluating Model Capabilities in Repository-Level Migration Tasks
Tohoku University(东大理工大学);Future Corporation(未来公司);RIKEN(日本理化学研究所);NII LLMC(国家信息研究所LLMC)
本文提出TimeMachine-bench基准,用于评估软件迁移任务中的模型能力,通过自动化构建GitHub仓库测试失败数据集,评估基于11种模型的基线方法,发现LLM在迁移任务中仍存在可靠性挑战。
2026-01-30 cs.CL cs.SE
AACR-Bench: Evaluating Automatic Code Review with Holistic Repository-Level Context
Southern Cross University, Gold Coast, Australia(南方十字大学);TRE, Alibaba Inc., Hangzhou, China(阿里云)
AACR-Bench通过综合仓库级上下文和专家验证流程,提升自动代码审查评估的准确性与全面性,揭示上下文粒度和检索方法对性能的影响。
2026-01-30 cs.AI cs.SE
Probe to Generate: Program Variant-Guided Test Augmentation for Repository-Level Repair Benchmarks
Concordia University(康考迪亚大学)
本文提出STING框架,通过语义改变的程序变体增强回归测试,提高基准测试的可靠性。实验显示,77%的实例存在至少一个存活变体,测试覆盖率提升,修复率下降,揭示了基准测试的不足。
2026-08-07 cs.SE
PonyEval: Evaluating LLM-Based Program Repair for Capability-Safe and Actor-Oriented Pony Software
Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学)
针对Pony语言生态,构建了包含291个真实GitHub问题-拉取请求对的SWE-bench风格基准PonyEval,并通过严格审计与多模型评估,揭示生成补丁的条件解决率在10.21%至24.68%之间,为能力安全与actor导向软件的程序修复提供了可靠评测。
2026-09-24 cs.SE
Build-and-Find: An Effort-Aware Protocol for Evaluating Agent-Managed Codebases
National Yang Ming Chiao Tung University
该研究提出BUILD-AND-FIND协议,用于评估下游代理从生成代码库中恢复意图选择的能力及所需检查努力,通过分离行为正确性与恢复过程,评估准确性、稳定性、重复性、覆盖范围和努力程度。
2026-11-09 cs.AI cs.SE
SWE-PolyBench: A multi-language benchmark for repository level evaluation of coding agents
SWE-PolyBench是一个多语言仓库级基准,含2110个实例,评估编码智能体,揭示其跨语言性能不均衡,旨在推动开发更通用的AI编码助手。
2025-04-23 cs.SE
The Devil Is in the Interface: Evaluating How Tool Architecture Shapes Coding Agent Behavior
Purdue University(普渡大学);Microsoft Research(微软研究院);The University of Chicago(芝加哥大学)
该研究通过编码智能体的对照实验,发现工具架构会显著影响智能体行为,不同工具架构在一致性、文件访问量、步骤数等方面表现出不同效果,其中Python CodeAct风格接口性能优异。
2026-08-13 cs.SE
SWE-Together: Evaluating Coding Agents in Interactive User Sessions
Meta
提出SWE-Together基准,从真实用户-代理编码会话中重建多轮交互任务,并利用基于LLM的用户模拟器评估编码代理的协作能力,发现强代理成功率更高且干预更少。
2026-06-29 cs.AI cs.CL cs.SE
Schrödinger's Code Repository: Have LLMs Learned SWE-bench or Memorized It?
Shanghai Jiao Tong University(上海交通大学);Xi’an Jiaotong University(西安交通大学);East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
针对仓库级编码基准的数据泄露问题,提出SchrodingerRepo动态实例化评估框架,通过四种转换消除熟悉线索,实验显示LLM性能下降且交互成本上升,表明智能体部分依赖记忆而非推理。
2026-09-24 cs.AI cs.SE
Toward Scalable Automated Repository-Level Datasets for Software Vulnerability Detection
本文提出自动化生成仓库级数据集的方法,通过注入真实漏洞并合成可复现的漏洞证明,提升漏洞检测模型的训练与评估效果,同时研究注入与检测代理的对抗共进化循环以增强鲁棒性。
2026-03-18 cs.AI cs.SE
DI-BENCH: Benchmarking Large Language Models on Dependency Inference with Testable Repositories at Scale
Microsoft(微软公司);Wuhan University(武汉大学);Tongji University(同济大学);Shanghai AI Laboratory(上海人工智能实验室);Zhejiang University(浙江大学)
DI-BENCH是一个大规模基准,用于评估大语言模型在仓库依赖推断上的能力,包含581个仓库,最佳模型执行通过率仅42.9%,凸显改进空间。
2025-01-23 cs.CL cs.SE
Code-QA-Bench: Separating Code Reasoning from Documentation Memorization in Repository-Level QA
Baidu Inc(百度公司)
提出Code-QA-Bench框架,通过答案优先生成和三条件实验设计,自动构建仓库级代码理解基准,以区分代码推理、文档回忆和预训练记忆的影响。
2026-05-28 cs.AI cs.SE
PRWeaver: Evaluating LLM-Based Code Auditors against Long-Horizon Malicious Pull Requests
Singapore Management University(新加坡管理大学)
该研究提出PRWeaver基准,评估基于LLM的代码审计工具对长周期恶意PR的可靠性,发现特定评审策略会降低检测率,为优化代码审计工具提供了依据。
2026-08-05 cs.CR cs.SE
FormulaCode: Evaluating Agentic Optimization on Large Codebases
The University of Texas at Austin(德克萨斯大学奥斯汀分校);California Institute of Technology(加州理工学院);Cornell University(康奈尔大学)
FormulaCode是一个评估大型真实代码库上代理优化能力的基准,包含957个从科学Python仓库挖掘出的性能瓶颈,配以专家撰写的补丁和平均264.6个社区维护的性能工作负载,揭示了前沿LLM代理在多目标优化上的重大挑战。
2026-07-21 cs.AI cs.CL cs.SE
Evaluating Tool Cloning in Agentic-AI Ecosystems
Duke University(杜克大学)
研究通过大规模测量分析代理AI生态系统中工具克隆现象,发现高相似性区域普遍存在,60%的高Jaccard候选和85%的高ssdeep候选被验证为克隆,揭示工具克隆对生态系统多样性的影响。
2026-05-17 cs.CR cs.SE
E2E-SWE: Benchmarking LLMs on Building Working Codebases from Scratch
Meta Superintelligence Labs(元超级智能实验室)
该基准E2E-SWE通过186个跨11种语言的整仓库生成任务评估LLM智能体从零构建可用代码库的能力,发现pass@1在11.7%至67.7%间波动,凸显系统级推理需求。
2026-10-01 cs.AI cs.SE
Beyond Isolated Tasks: A Framework for Evaluating Coding Agents on Sequential Software Evolution
Fujitsu Research(富士通研究所)
本文提出一个框架,通过模拟真实开发者工作流程的两个现实场景,评估编码代理在连续任务中的表现,揭示孤立任务评估的局限性及多维评估的必要性。
2026-04-03 cs.AI cs.SE
From Laboratory to Real-World Applications: Benchmarking Agentic Code Reasoning at the Repository Level
The Chinese University of Hong Kong(香港中文大学);Sun Yat-sen University(中山大学)
RepoReason提出了一种白盒诊断基准测试,通过执行驱动的突变框架和动态程序切片,量化推理能力,揭示集成宽度是代理代码推理的主要瓶颈。
2026-01-09 cs.AI cs.SE
SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration
Sun Yat-sen University(中山大学);Alibaba Group(阿里巴巴集团);Skylenage
SWE-CI通过持续集成循环构建首个仓库级基准,旨在将代码生成评估从静态短期功能性正确性转向动态长期可维护性,通过跟踪功能正确性随时间的变化揭示可维护性。
2026-04-01 cs.AI cs.CL cs.SE
RepoProbe: Benchmarking Architecture-Aware Repository Comprehension with Checklists
Hunyuan, Tencent(腾讯混元);Zhejiang University(浙江大学);Ningbo Global Innovation Center, Zhejiang University(浙江大学宁波全球创新中心)
本研究推出RepoProbe基准,采用基于清单的验证协议,发现SOTA LLMs存在编辑偏差,且高清晰度与技术正确性间有差距,提升了代码仓库理解评估的可靠性。
2026-08-07 cs.AI cs.SE
VulEval: Towards Repository-Level Evaluation of Software Vulnerability Detection
提出仓库级评估系统VulEval,通过函数级检测、依赖预测和仓库级检测三项任务及大规模数据集,填补了过程间漏洞检测评估的空白。
2024-04-24 cs.CR cs.SE
An LLM-based Quantitative Framework for Evaluating High-Stealthy Backdoor Risks in OSS Supply Chains
Zihe Yan 1(燕子和1);Kai Luo 2(罗凯2);Haoyu Yang 3(杨浩远3);Yang Yu 3(于洋3);Zhuosheng Zhang 1(张卓生1);Guancheng Li 3(李冠成3)
针对开源软件供应链高隐蔽性后门攻击风险,本文提出基于大语言模型的细粒度量化评估框架,从攻击者视角分阶段设计指标,通过LLM语义评估弥补静态分析不足,在Debian高优先级包上验证了其风险识别能力。
2025-11-17 cs.AI cs.SE
Correct Code, Broken Contributions? SWE-CC: Benchmarking Repository Policy Compliance for Coding Agents
Singapore Management University(新加坡管理大学);Singapore University of Technology and Design(新加坡科技设计大学)
针对编码代理的仓库策略合规性,提出SWE-CC基准,通过823条原子策略和全面审计机制评估500个任务,发现功能正确但合规性差,43.1%策略被违反。
2026-10-06 cs.AI cs.SE
RepoBench: Benchmarking Repository-Level Code Auto-Completion Systems
University of California, San Diego(加州大学圣迭戈分校)
针对现有代码补全基准多聚焦单文件、缺乏真实多文件场景评估的问题,研究提出支持Python和Java的RepoBench基准,含检索、代码补全、流水线三项关联任务,可更全面评估仓库级代码补全系统性能。
2023-10-04 cs.AI cs.CL cs.SE
CodeWiki: Evaluating AI's Ability to Generate Holistic Documentation for Large-Scale Codebases
FPT Software AI Center(FPT软件人工智能中心);University of Melbourne(墨尔本大学)
CodeWiki提出一个统一框架,用于生成多语言代码库的自动化文档,通过层级分解、递归多代理处理和多模态合成,提升文档质量,实验显示其在高脚本语言上的改进显著。
2026-04-04 cs.SE
ArkEval: Benchmarking and Evaluating Automated CodeRepair for ArkTS
Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学)
ArkEval为ArkTS自动代码修复提供首个全面基准,通过挖掘官方仓库问题并采用LLM测试机制,评估了四种先进模型的修复能力,揭示了LLM在该领域的现状与局限。
2026-11-11 cs.SE
Multi-SWT-Bench: A Multilingual Benchmark for Reproduction Test Generation
Kyushu University(九州大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有复现测试生成基准仅限单语言的问题,提出多语言基准Multi-SWT-Bench,含8种语言1963个实例,实证发现语言差距,为跨生态系统的测试生成方法提供方向。
2026-09-29 cs.SE
Can LLMs Reason About Runtime Behavior? A Repository-Level Dynamic Benchmark
York University(约克大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出SWE-Flux,一个包含480个实例的仓库级动态执行推理基准,通过自动采集黄金答案评估五个LLM,最佳准确率仅37%,并展示输入扰动可生成更具挑战性的变体。
2026-09-24 cs.AI cs.CL cs.SE
Loc2Repair: A Framework for Evaluating the Impact of File-Level Issue Localization in Repo-Level LLM Repair
ITMO University(ITMO大学)
提出Loc2Repair模块化评估框架,通过解耦定位与修复,在SWE-bench Verified上验证文件级定位能一致提升修复率(44.7%→49.1%)并降低平均耗时。
2026-07-01 cs.AI cs.SE