AI Agent

DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems

DoVer：基于干预的LLM多智能体系统自动调试

Ming Ma, Jue Zhang, Fangkai Yang, Yu Kang, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang

机构 * Institute of Neuroscience, State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences, Shanghai, 200031, China（中国科学院神经科学研究所、脑认知与脑启发智能技术重点实验室、脑科学与智能技术卓越中心、中国科学院、上海） ； University of Chinese Academy of Sciences, School of Future Technology, Beijing, 100049, China（中国科学院大学、未来技术学院、北京） ； Microsoft（微软公司） 纠错

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

AI总结 DoVer通过干预驱动的调试方法，显著提高了LLM多智能体系统的可靠性，实现了高比例的失败试验修复和任务进展。

Why Are AI Agent Involved Pull Requests (Fix-Related) Remain Unmerged? An Empirical Study

为何AI代理参与的修复相关拉取请求仍未合并？一项实证研究

Khairul Alam, Saikat Mondal, Banani Roy

机构 * University of Saskatchewan, Canada（萨斯喀彻温大学） 纠错

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

AI总结 本文通过实证研究揭示了AI代理生成的修复相关PRs合并失败的主要原因，指出测试用例失败和先前问题解决是主要障碍，为AI与人类协作改进提供方向。

Comments 5 pages

SWE-Exp: Experience-Driven Software Issue Resolution

SWE-Exp：基于经验的软件问题解决

Silin Chen, Shaoxin Lin, Yuling Shi, Heng Lian, Xiaodong Gu, Longfei Yun, Dong Chen, Lin Cao, Jiyang Liu, Nu Xia, Qianxiang Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei（华为） ； Xidian University（西安电子科技大学） 纠错

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

AI总结 SWE-Exp通过提炼历史经验实现软件问题解决的持续学习，显著提升修复效率。

Comments Our code and data are available at https://github.com/YerbaPage/SWE-Exp

SWE-Universe: Scale Real-World Verifiable Environments to Millions

SWE-Universe: 将现实可验证环境扩展至百万级

Mouxiang Chen, Lei Zhang, Yunlong Feng, Xuwu Wang, Wenting Zhao, Ruisheng Cao, Jiaxi Yang, Jiawei Chen, Mingze Li, Zeyao Ma, Hao Ge, Zongmeng Zhang, Zeyu Cui, Dayiheng Liu, Jingren Zhou, Jianling Sun, Junyang Lin, Binyuan Hui

机构 * Qwen Team, Alibaba Group（通义团队，阿里巴巴集团） ； Zhejiang University（浙江大学） 纠错

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

AI总结 SWE-Universe通过高效框架构建百万级现实可验证环境，提升编码代理训练效果。

Comments 13 pages

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

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

1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities

1000层网络用于自监督强化学习：增加深度可以启用新的目标到达能力

Kevin Wang, Ishaan Javali, Michał Bortkiewicz, Tomasz Trzciński, Benjamin Eysenbach

机构 * Princeton University（普林斯顿大学） ； Warsaw University of Technology（华沙理工大学） ； Tooploox ； IDEAS Research Institute（IDEAS研究所） 纠错

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

AI总结 本文提出通过增加网络深度至1024层，显著提升自监督强化学习的目标到达能力，实验显示性能提升达2-50倍。

Comments Link to project website: https://wang-kevin3290.github.io/scaling-crl/

Spec-Driven Development:From Code to Contract in the Age of AI Coding Assistants

基于规范的开发：在AI编码助手时代的代码与合同

Deepak Babu Piskala

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

AI总结 本文探讨了在AI编码助手时代基于规范的开发方法，通过规范优先的哲学和不同领域的案例研究，提供了一种新的软件开发思路和实践框架。

Comments Submitted to AIWare 2026. 8 pages, 3 figures

DMAVA: Distributed Multi-Autonomous Vehicle Architecture Using Autoware

DMAVA：基于Autoware的分布式多自主车辆架构

Zubair Islam, Mohamed El-Darieby

机构 * Faculty of Engineering（工程学院） ； Applied Science（应用科学） ； Ontario Tech University（安大略技术大学） 纠错

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

AI总结 DMAVA是一种基于Autoware的分布式多自主车辆架构，通过集成ROS 2、Autoware Universe等工具，实现多车辆在分布式环境下的协同控制与一致行为。

Comments 7 pages, 3 figures, 5 tables, Submitted to IEEE IV 2026, Demo videos and source code available

From Evaluation to Enhancement: Large Language Models for Zero-Knowledge Proof Code Generation

从评估到增强：大型语言模型在零知识证明代码生成中的应用

Zhantong Xue, Pingchuan Ma, Zhaoyu Wang, Yuguang Zhou, Xiaoqin Zhang, Shuai Wang, Juergen Rahmel

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

AI总结 本文提出ZK-Eval和ZK-Coder，通过评估和增强大型语言模型在零知识证明代码生成中的能力，显著提高了ZK程序的生成成功率。

AutoCodeSherpa: Symbolic Explanations in AI Coding Agents

AutoCodeSherpa: AI 编程代理中的符号解释

Sungmin Kang, Haifeng Ruan, Abhik Roychoudhury

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

AI总结 AutoCodeSherpa通过符号公式提供软件问题解释，提升自动化修复和程序分析的准确性与可靠性。

Are Coding Agents Generating Over-Mocked Tests? An Empirical Study

编码代理是否生成过度的模拟测试？一项实证研究

Andre Hora, Romain Robbes

专题命中 软件智能体 ：agent(abstract)；分类 cs.SE

AI总结 本文研究了编码代理生成测试中模拟的使用情况，发现代理更倾向于修改测试并添加模拟，同时指出模拟测试可能更容易自动生成但验证效果较弱。

Comments Accepted for publication at MSR 2026

IC-EO: Interpretable Code-based assistant for Earth Observation

IC-EO: 可解释的基于代码的地球观测助手

Lamia Lahouel, Laurynas Lopata, Simon Gruening, Gabriele Meoni, Gaetan Petit, Sylvain Lobry

机构 * Université Paris Cité, LIPADE, F-75006 Paris, France askEarth AG, Zurich, Switzerland ESA -lab, Frascati, Italy ESA, Advanced Concepts ； Studies Office, Noordwijk, the Netherlands 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI

AI总结 IC-EO提出一个可解释的代码生成助手，通过生成可审计的Python工作流程，提升地球观测分析的透明性和可复现性，优于现有基线模型。

Comments 15 pages, 1 figure

SciTextures: Collecting and Connecting Visual Patterns, Models, and Code Across Science and Art

SciTextures: 收集和连接科学与艺术中的视觉模式、模型和代码

Sagi Eppel, Alona Strugatski

专题命中 软件智能体 ：agentic(abstract)

AI总结 SciTextures通过连接视觉模式与生成机制，提供大规模数据集评估VLMs对物理系统多层抽象的理解与模拟能力。

Contracting with a Mechanism Designer

机制设计中的合同签订

Tian Bai, Yiding Feng, Yaohao Liu, Mengfan Ma, Mingyu Xiao

专题命中 软件智能体 ：agent(abstract)

AI总结 本文研究了众包市场中主体通过中介与工人互动的机制设计问题，提出了虚拟价值定价模型，并分析了双边际化价格和纳什均衡价格在不同分布下的界限。