AI Agent

How Do Agents Perform Code Optimization? An Empirical Study

代理如何执行代码优化？一项实证研究

Huiyun Peng, Antonio Zhong, Ricardo Andrés Calvo Méndez, Kelechi G. Kalu, James C. Davis

机构 * Purdue University（普渡大学） 纠错

专题命中 软件智能体 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.SE

AI总结 本文通过实证研究比较了AI和人类在性能优化提交中的表现，发现AI提交在性能验证方面较人类不足，但优化模式与人类相似。

Computational Foundations for Strategic Coopetition: Formalizing Interdependence and Complementarity

战略竞合的计算基础：形式化相互依赖与互补性

Vik Pant, Eric Yu

专题命中 软件智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.SE

AI总结 本报告提出计算基础，形式化竞合中的相互依赖与互补性，通过i*结构依赖分析和参数化建模，验证了竞合策略的动态权衡与价值获取。

Comments 39 pages, 9 figures, Validation artifacts including source code available at https://github.com/vikpant/strategic-coopetition/tree/master/TR_validation/TR1_foundations

Fuzzwise: Intelligent Initial Corpus Generation for Fuzzing

Fuzzwise: 用于模糊测试的智能初始语料生成

Hridya Dhulipala, Xiaokai Rong, Aashish Yadavally, Tien N. Nguyen

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

专题命中 软件智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.LG、cs.SE

AI总结 FuzzWise通过基于LLM的多代理框架，高效生成初始语料，提升模糊测试的代码覆盖和错误触发效率。

Reflection-Driven Control for Trustworthy Code Agents

基于反射的可信代码代理控制

Bin Wang, Jiazheng Quan, Xingrui Yu, Hansen Hu, Yuhao, Ivor Tsang

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI、cs.SE；agentic(comments)

AI总结 本文提出反射驱动控制方法，通过内部反思循环提升代码生成的安全性和合规性，实现自主、安全且可审计的AI代码代理。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)

RLLaVA: An RL-central Framework for Language and Vision Assistants

RLLaVA: 一种面向语言和视觉助手的强化学习中心框架

Lei Zhao, Zihao Ma, Boyu Lin, Yuhe Liu, Wenjun Wu, Lei Huang

机构 * SKLCCSE, Institute of Artificial Intelligence, Beihang University, Beijing, China（信息与电子技术学院，人工智能研究院，北京航空航天大学，北京，中国） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, Beihang University（未来区块链与隐私计算先进创新中心，北京航空航天大学） ； Hangzhou International Innovation Institute, Beihang University, Hangzhou, China（杭州国际创新研究院，北京航空航天大学，杭州，中国） 纠错

专题命中 软件智能体 ：agentic(abstract)；分类 cs.LG

AI总结 RLLaVA 提出了一种强化学习中心框架，通过解耦算法逻辑与模型架构，实现高效训练和多任务扩展，提升视觉-语言模型性能。

Comments The code is available at https://github.com/TinyLoopX/RLLaVA

What Makes a GitHub Issue Ready for Copilot?

什么让 GitHub 问题适合 Copilot？

Mohammed Sayagh

专题命中 软件智能体 ：agent(abstract)；分类 cs.SE

AI总结 本文提出32条准则，通过可解释机器学习模型评估GitHub问题质量，提升Copilot合并拉取请求的可能性，模型中位AUC达72%。