AI Agent

CATArena: Evaluating Evolutionary Capabilities of Code Agents via Iterative Tournaments

CATArena: 通过迭代竞技场评估代码代理的进化能力

Lingyue Fu, Xin Ding, Linyue Pan, Yaoming Zhu, Shao Zhang, Lin Qiu, Weiwen Liu, Weinan Zhang, Xuezhi Cao, Xunliang Cai, Jiaxin Ding, Yong Yu

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际 Graduate School） 纠错

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

AI总结 CATArena通过迭代竞技场评估代码代理的进化能力，揭示了代理在连续优化和多轮迭代开发中的潜力及改进机制。

AACR-Bench: Evaluating Automatic Code Review with Holistic Repository-Level Context

AACR-Bench: 评估自动代码审查的综合仓库级上下文

Lei Zhang, Yongda Yu, Minghui Yu, Xinxin Guo, Zhengqi Zhuang, Guoping Rong, Dong Shao, Haifeng Shen, Hongyu Kuang, Zhengfeng Li, Boge Wang, Guoan Zhang, Bangyu Xiang, Xiaobin Xu

机构 * Southern Cross University, Gold Coast, Australia（南方十字大学） ； TRE, Alibaba Inc., Hangzhou, China（阿里云） 纠错

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

AI总结 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。

Post-Norm can Resharpen Attention

Post-Norm 可增强注意力

Pál Zsámboki, Benjamin Levi, David Ansel Josef Smith, Mitansh Kagalwala, Arlington Kell, Samuel Liechty, Cong Wang

机构 * HUN-REN Alfréd Rényi Institute of Mathematics, Budapest, Hungary（匈牙利REN阿弗雷德·雷尼数学研究所） ； University of Rochester, Rochester, NY, USA（罗切斯特大学） ； The University of Alabama, Tuscaloosa, AL, USA（阿拉巴马大学） ； University of Virginia, Charlottesville, VA, USA（弗吉尼亚大学） ； Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院） ； Brigham Young University, Provo, UT, USA（Brigham Young大学） ； Carleton College, Northfield, MN, USA（卡洛尔顿学院） 纠错

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

AI总结 Post-Norm通过增强注意力机制，解决Transformer在长度泛化任务中因注意力分散导致的性能下降问题。

Comments 17 pages, 7 figures, 1 table

Incentives in Federated Learning with Heterogeneous Agents

在异质智能体中的联邦学习激励

Ariel D. Procaccia, Han Shao, Itai Shapira

专题命中 软件智能体 ：agent(abstract)

AI总结 本文提出了一种基于博弈论的联邦学习激励机制，通过线性规划和 pay what you contribute 规则，实现策略证明和最小化合作成本。

Comments ICLR 2026

Journal ref International Conference on Learning Representations (ICLR), 2026