AI 大模型

AI Agent

智能体、工具调用、规划、工作流、多智能体和自主任务执行。

2026-02-06 至 2026-02-06 共收录 4 篇信号源：cs.AI, cs.CL, cs.LG, cs.SE

1. 软件智能体 4 篇

2506.17208 2026-02-06 cs.SE cs.AI cs.CL 85%

Dissecting the SWE-Bench Leaderboards: Profiling Submitters and Architectures of LLM- and Agent-Based Repair Systems

解析SWE-Bench排行榜：LLM和基于代理的修复系统的提交者与架构分析

Matias Martinez, Xavier Franch

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

AI总结本文分析了SWE-Bench排行榜上的提交者和架构，揭示了专有LLM的主导地位及不同设计类型。

Comments Part of this work (RQ1) has been published at the 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE-SEIP 2026), DOI: 10.1145/3786583.3786904. The published version is also available on arXiv at arXiv:2602.04449

2512.13515 2026-02-06 cs.SE cs.CL cs.LO 62%

Fine-tuned LLM-based Code Migration Framework

基于微调的LLM代码迁移框架

Oleg Grynets, Vasyl Lyashkevych, Dmytro Baran, Maksym Orliansky, Taras Zelenyy, Markiian Leshchyshyn

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

AI总结本研究提出一种基于微调LLM的代码迁移框架，通过自动化SQL特征检测和半监督错误分析，提升数据库迁移的精度与效率。

Comments 16 pages, 27 figures, 7 references

2602.05465 2026-02-06 cs.SE 57%

Can We Classify Flaky Tests Using Only Test Code? An LLM-Based Empirical Study

仅通过测试代码可以对不稳定测试进行分类吗？基于LLM的经验研究

Alexander Berndt, Vekil Bekmyradov, Rainer Gemulla, Marcus Kessel, Thomas Bach, Sebastian Baltes

专题命中软件智能体：agentic(abstract)；分类 cs.SE

AI总结本研究探讨了仅通过测试代码是否能有效分类不稳定测试，发现LLM在无额外上下文时表现有限，需进一步结合检索增强生成等方法提升泛化能力。

Comments 10 pages, 3 figures, 7 tables, 33rd IEEE International Conference on Software Analysis, Evolution and Reengineering: Reproducibility Studies and Negative Results (SANER-RENE 2025)

2602.05134 2026-02-06 cs.LG cs.DB 57%

SemPipes -- Optimizable Semantic Data Operators for Tabular Machine Learning Pipelines

SemPipes -- 可优化的语义数据运算符用于表格机器学习流水线

Olga Ovcharenko, Matthias Boehm, Sebastian Schelter

专题命中软件智能体：agent(abstract)；分类 cs.LG

AI总结 SemPipes通过LLM驱动的语义数据运算符提升表格机器学习流水线的预测性能和效率。