AI Agent

DreamBench-SWE: A Multi-Session Memory-Hygiene Benchmark for Software Agents

DreamBench-SWE：面向软件智能体的多会话记忆卫生基准

Sarthak Singh

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

AI总结 该研究提出面向软件智能体的多会话记忆卫生基准DreamBench-SWE，通过v2和预注册的v2.1审计，对比不同内存配置的任务完成表现，验证其作为可执行基准的有效性，同时明确相关内存机制的表现情况。

Comments 67 pages. Public benchmark and evidence release: this https URL (https://github.com/iroiro147/dreambench-swe/releases/tag/v2.1.0)

Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents

分解与传递：大语言模型智能体的跨任务技能迁移

Yiyang Feng, Biddut Sarker Bijoy, Niranjan Balasubramanian, Jiawei Zhou

机构 * Stony Brook University（石溪大学） 纠错

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

AI总结 该研究探究LLM智能体跨任务技能迁移的可靠性，对比任务级与子任务级、文本与代码两种技能格式，提出结合特异性与抽象性的技能效用分数，发现子任务级文本技能迁移效果更优，可用于诊断技能记忆。

Comments 34 pages, 28 figures, 7 tables

SWE-bench Science: Can Coding Agents Resolve Engineering Tasks in Science?

SWE-bench Science：编码智能体能解决科学领域的工程任务吗？

Zhipeng Xu, Jiahao Lu, Yining Zheng, Yuxin Wang, Xipeng Qiu

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

AI总结 本研究推出SWE-bench Science基准，含20个领域98个仓库的119项任务，评估发现最优智能体pass@1低于50%，揭示科学软件工程的挑战，分析四类失败机制并经消融实验明确科学知识的作用，为编码智能体研究提供测试平台。

Comments 26 pages, 7 figures

Loreley: Repository-Scale Program Evolution with Quality-Diversity Search

Loreley：基于质量多样性搜索的仓库级程序演化

Mohan Chen

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

AI总结 该研究提出名为 Loreley 的 QD 方法，将完整仓库状态存入存档采样，在 Zstandard 实验中对比三种策略，发现 48 作业时 QD 未显优势但垫脚石机制生效，早期活动已产出多文件改进。

Comments 15 pages, 3 figures, 8 tables. Code and evidence: https://github.com/NeapolitanIcecream/loreley

A Configuration-First Framework for Reproducible, Low-Code Machine Learning: a Localization Use Case

一种面向可重复、低代码定位的配置优先框架

Tim Strnad, Blaž Bertalanič, Carolina Fortuna

机构 * Jožef Stefan Institute（乔塞夫·斯蒂芬研究所） 纠错

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

AI总结 本文提出了一种低代码、配置优先的框架，通过版本化配置和自动化流程提升定位任务的可重复性和效率。

Comments 16 pages, 8 figures

The Machine Learning Canvas: Empirical Findings on Why Strategy Matters More Than AI Code Generation

机器学习画布：关于为何策略比AI代码生成更重要的实证发现

Martin Prause

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

AI总结 本研究通过实证分析揭示了机器学习项目成功的关键因素，强调策略比AI代码生成更重要，提出了机器学习画布框架，指出组织支持、策略规划、流程管理和生态系统是决定项目成败的核心要素。

Comments Dataset available: https://ieee-dataport.org/documents/machine-learning-canvas-success-determinants

Do Personalized Skills Help Coding Agents? An Empirical Study of Developer Interaction Histories

个性化技能对编码智能体有帮助吗？开发者交互历史的实证研究

Shuyan Huang, Kai Du, Andrew Lan

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

AI总结 本研究通过对13位开发者的206个真实会话实验，发现从交互历史提炼的开发者个性化技能改进有限，而汇集自所有开发者的通用技能增益最大且最一致，为编码智能体的个性化策略提供了实证依据。

Comments 15 pages, 10 figures

Evolving Ensemble of Agents

进化代理群体

Zongmin Yu, Liu Yang

机构 * National University of Singapore（新加坡国立大学） 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EvE框架，通过进化编码代理群体实现算法发现，解决了传统方法的局限，展示了自修正群体在复杂代码库中的优势。

Engineering Reliable Coding Agents: Evaluating and Operating the System Around the Model

构建可靠的编码智能体：评估与运行模型周边系统

Stephanie Jarmak

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

AI总结 本研究针对AI编码智能体的可靠性问题，整合多源证据构建系统级评估与运行框架，区分模型与基础设施效应，提出可靠性记录目录及相关方法以提升智能体系统可靠性。

Comments Technical review and engineering monograph, 314 pages, 30 figures. Includes an evidence audit, a companion research artifact with 206 reliability records, and runnable protocols for evaluating and operating AI coding agents. August 2026. Source, companion, and reusable protocols: https://github.com/sjarmak/engineering-reliable-coding-agents

Fine-Tuning Qwen3-27B for C-to-Rust Code Translation: A Three-Stage Curriculum of Pretraining, Debugging-Aware SFT, and Task-Specific SFT

微调Qwen3-27B实现C到Rust代码翻译：预训练、调试感知监督微调与任务特定监督微调的三阶段课程

Pu Zhao, Changdi Yang, Yixiao Chen, Yi Gao, Yifan Cao, Haochen Zeng, Yanzhi Wang

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

AI总结 本研究针对C到Rust代码翻译任务，对Qwen3-27B采用三阶段微调课程，结合SACTOR框架评估后，其性能优于基线模型及其他LLM。

Does a Language Server Save Tokens for Coding Agents? A Measurement Methodology and Preliminary Study

语言服务器能为编码智能体节省 token 吗？一种测量方法与初步研究

Pengcheng Xu

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

AI总结 本文通过五组消融实验等方法，对比 LSP 与 grep 检索的 token 效率，发现 LSP 通常不节省 token，仅对最弱模型有 token 节省效果，需根据任务、模型等选择检索工具。

Comments 13 pages, 6 figures. Code and data: https://github.com/Poytr1/lsp-vs-grep-token-study

From Code Review to Code Critique: Intent, Drift, and Spotlight for AI-Generated Diffs at Scale

从代码审查到代码批判：大规模AI生成代码差异的意图、漂移与焦点

Chandra Maddila, Mashrur Rashik, Euna Mehnaz Khan, Smriti Jha, James Saindon, Nachi Nagappan, Peter C. Rigby

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

AI总结 针对AI生成代码超出传统审查能力且现有工具忽视核心问题的缺陷，提出ARCTIC系统，经实验验证其在意图预测、漂移检测等方面表现优异，可降低代码不一致性并获高认可。

Memorization Diagnostics for Code LLMs Should be Scale-Aware

代码大语言模型的记忆诊断应考虑规模因素

Prateek Kumar Rajput, Abdoul Aziz Bonkoungou, Alberick Euraste Djiré, Xunzhu Tang, Yewei Song, Iyiola Emmanuel Olatunji, El Hacen Diallo, Jacques Klein, Tegawendé F. Bissyandé

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

AI总结 该研究针对代码大语言模型记忆诊断的规模敏感性问题，通过分离表征负载与记忆，发现现有探测技术在大规模模型上失效，提出未来评估需解耦二者的方法。

Comments 26 pages, 6 figures, 6 tables. Under review at EMSE

Alipay-PIBench: A Realistic Payment Integration Benchmark for Coding Agents

支付宝-PIBench：用于编码代理的现实支付集成基准测试

Shiyu Ying, Xuejie Cao, Yingfan Ma, Yuanhao Dong, Wenyu Chen, Bowen Song, Lin Zhu

机构 * Ant Group（蚂蚁集团） 纠错

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

AI总结 研究旨在评估编码代理在支付宝支付集成任务中的表现，引入支付宝-PIBench基准测试，含九个产品项目和18个任务实例，分不同场景。通过评估六个编码代理模型得出评分通过率，发现有技能条件下RPR提升，为诊断模型能力和评估支付集成指导提供可控环境。

Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification

用于改进心肌灌注MRI定量的物理信息隐式神经表示

Christos Tsepas, Chang Yan, Maximilian Fuetterer, Sebastian Kozerke, Cian M Scannell

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

AI总结 该研究将物理信息神经网络（PINN）框架扩展加入时空隐式神经表示（INRs），在真实模拟CMR数据集上提升了心肌灌注参数估计的鲁棒性与准确性。

Comments Accepted at the STACOM workshop at MICCAI, Strasbourg 2026

Backtrader-Bench: Benchmarking LLM Agents on Algorithmic Trading with Self-Generated MCQs

Backtrader-Bench：基于自生成多项选择题的算法交易大语言模型智能体基准测试

Ruoxi Zhao, Maziar Raissi

机构 * University of California, Riverside（加利福尼亚大学河滨分校） 纠错

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

AI总结 Backtrader-Bench是用于算法交易LLM智能体的基准框架，通过自生成MCQ解决评估难题，实验显示带工具智能体准确率显著高于无工具模型，还可生成强化学习训练语料以构建专用量化交易智能体。

Comments Accepted to the FinLLM Workshop at IJCAI 2026. Code and data: https://github.com/rzhao999/Backtrader-Bench

What Iterated Self-Feeding Probes of Language Models Measure, and a test that separates the construction from the model

语言模型迭代自馈探测的测量对象，以及一种区分构造与模型的测试方法

Nicolás Vera Zúñiga

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

AI总结 本研究探究语言模型迭代自馈探测的测量对象，提出区分探测构造与模型的测试方法，揭示两类测量量的差异，复现验证工具并纠正错误判断。

Comments 16 pages, 4 figures. Code, per-run results, and the findings ledger: https://github.com/nicoveraz/token-lattice-ca (archived: https://doi.org/10.5281/zenodo.21880472)

REVERE: Reflective Evolving Research Engineer

REVERE：面向科学工作流的反思性进化研究工程师

Balaji Dinesh Gangireddi, Aniketh Garikaparthi, Manasi Patwardhan, Arman Cohan

机构 * TCS Research（TCS研究） ； Yale University（耶鲁大学） 纠错

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

AI总结 REVERE通过全局训练上下文学习和反思优化框架，提升科研编码任务性能，实现4.50%、3.51%和4.89%的提升。

Comments Published as a conference paper at COLM 2026

Program Semantic Inequivalence Game with Large Language Models

基于大语言模型的程序语义不等价博弈

Antonio Valerio Miceli-Barone, Vaishak Belle, Ali Payani

机构 * University of Edinburgh（爱丁堡大学） ； Cisco Systems（思科系统） 纠错

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

AI总结 本研究提出基于语义不等价博弈（SInQ）的方法，通过生成器与评估器智能体半对抗训练合成代码推理数据，在跨语言漏洞检测等基准上显著提升LLMs的代码语义理解能力。

LLM Agents Factory: Retrieval of Domain-Specific LLM Agents

LLM智能体工厂：领域特定大语言模型智能体的检索

Vitalii Belov, Artyom Sosedka, Andrey Sakhovskiy, Elizaveta Kovtun, Artyom Boyarskikh, Semen Budennyy

机构 * Sber AI ； Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； National University of Science and Technology MISIS（莫斯科国立科学技术大学MISIS） ； Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所） ； Artificial Intelligence Research Institute（人工智能研究所） 纠错

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

AI总结 本研究提出LLM Agents Factory框架，通过检索2万余个预设智能体配置文件按需构建领域特定智能体，在多基准测试中实现高准确率与低推理成本，为工业应用提供动态智能体生成的替代方案。

Comments 7 pages, 1 figure, SIGIR 2026

Reward Guidance for Reinforcement Learning Tasks Based on Large Language Models: The LMGT Framework

Yongxin Deng, Xihe Qiu, Jue Chen, Xiaoyu Tan

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

Journal ref Knowledge-Based Systems, 322 (2025) 113689

SWE-Bench ProMax: Benchmarking Agents on Large-Scale Multilingual Code Refactoring

SWE-Bench ProMax：面向大规模多语言代码重构的智能体基准测试

Yuling Shi, Jinghan Xu, Kelin Fu, Wenhao Zeng, Shilin He, Lei Zhang, Yue Liu, Zelin Zhao, Terry Yue Zhuo, Jialun Cao, Siyu Ye, Tianyu Liu, Kai Cai, Shing-Chi Cheung, Xiaodong Gu

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

AI总结 该研究推出SWE-Bench ProMax多语言代码重构基准，含170个跨7种语言的大规模重构任务，经严格筛选后前沿模型仅达41.2%解决率，为AI编码智能体提供挑战性测试。

Comments Published as a conference paper at COLM 2026

Beyond the Capability Boundary: Zeroth-Order Optimization for Self-Evolving LLM Agents

超越能力边界：用于自进化大语言模型智能体的零阶优化

Bingzhen Liu, Xiaomeng Fan, Yuwei Wu, Zhi Gao, Mingyang Gao, Chuanhao Li, Yunde Jia

机构 * Beijing Institute of Technology（北京理工大学） ； Shenzhen MSU-BIT University（深圳北理莫斯科大学） ； Alaya Lab（阿莱亚实验室） 纠错

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

AI总结 本文提出零阶自进化框架，通过扰动LLM的LoRA参数形成闭环自进化循环，结合并行扰动推理等机制，在多基准实验中显著提升了LLM智能体在困难样例上的表现。

Mendel Gödel Machine: Recursive Self-Improving Coding Agents via Comparative Evolution

孟德尔哥德尔机：基于比较进化的递归自改进编码智能体

Changzhi Liu, Yilun Liu, Sikuan Yan, Volker Tresp, Yunpu Ma

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

AI总结 该研究针对现有自改进编码智能体仅利用单轨迹的缺陷，提出孟德尔哥德尔机，新增反应规范突变与跨谱系杂交两种自修改策略，经理论证明与实验验证，其在编码任务上的性能、效率及泛化性均优于基线方法。

Comments Project Page at https://reallcz.github.io/MGM; Code at https://github.com/RealLcz/MGM

Goedel-Code-Prover: Hierarchical Proof Search for Open State-of-the-Art Code Verification

Goedel-Code-Prover：面向开放状态的最新代码验证的分层证明搜索

Zenan Li, Ziran Yang, Deyuan He, Haoyu Zhao, Andrew Zhao, Shange Tang, Kaiyu Yang, Aarti Gupta, Zhendong Su, Chi Jin

机构 * ETH Zürich（苏黎世联邦理工学院） ； Princeton Language and Intelligence（普林斯顿语言与智能实验室） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； MiroMind 纠错

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

AI总结 本文提出Goedel-Code-Prover框架，通过分层证明搜索提升Lean4中代码验证的自动化水平，实现62%的成功率，优于现有基线方法。

Comments Published as a COLM paper

Bootstrapping Coding Agents: The Specification Is the Program

通过代码代理进行 Bootstrap：规范即程序

Martin Monperrus

机构 * KTH Royal Institute of Technology（皇家理工学院） 纠错

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

AI总结 研究通过代码代理实现自我提升，基于规范重新实现程序，体现元循环属性，强调规范的重要性。

Comments To appear in IEEE Software

Journal ref IEEE Software, 2026

Role Steering of Language Models for Social Simulations

用于社会模拟的语言模型角色引导

Isaac Song, Mohammed Rehan Parwani, Glenn Matlin, Emile Anand, Akhil Theerthala, Arjun Chatterjee, Anthony Wen-Ming Zang, Maria Kostylew, Yonadav G. Shavit, Sebastien Krier, Mark Riedl

机构 * Georgia Institute of Technology（佐治亚理工学院） ； ML Alignment & Theory Scholars (MATS)（ML对齐与理论学者组织（MATS）） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； OpenAI（开放人工智能公司） 纠错

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

AI总结 该研究提出针对语言模型智能体的角色引导筛选工作流，在OLMo-3-7B-Instruct上验证其角色画像对齐度更高且词汇多样性更好，发现需按角色选引导系数而非统一高强度设置。

Comments 35 pages. Published at the Social Sim'26 Workshop, COLM 2026. Code: https://github.com/eilab-gt/casting-call-vectors

CIDR: A Large-Scale Industrial Source Code Dataset for Software Engineering Research

CIDR：一个大规模工业源代码数据集用于软件工程研究

Vladislav Savenkov

机构 * Fermatix AI 纠错

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

AI总结 CIDR是首个基于工业合作的大型源代码数据集，包含2440个仓库、138种语言和3.73亿行代码，支持代码智能、软件质量分析和语言模型预训练等研究。

Comments 60 pages, 13 figures, 8 appendices. Dataset access: https://fermatix.ai/#Contact. Anonymization tool: https://github.com/Fermatix/repo-sanitizer. Metadata utility: https://github.com/Fermatix/repo_metadata_cli

BulkPR-Bench: Benchmarking Queue-Level Governance of Interacting Pull Requests

BulkPR-Bench：针对交互拉取请求的队列级治理基准

Zetong Xiong, Qiao Zhao, Jun Zhang, Xueying Lyu, Zhi Li, Yixiang Tu, Xiaowen Yang, Yunjie Zhang, Yufeng Wang, Zhe Zhang, Kaize Yu, Hanwen Du, Zhongkai Sun, Zhuoxin Liu, Zekun Lin, Jianwen Yang, Ruining Chen, Ying Zhang, Tingxuan Pan, Ke Chen, Shubin Han, Chuanhao Sun, Yehua Yang

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

AI总结 该研究推出BulkPR-Bench基准，针对交互PR队列治理，实验显示现有模型在该任务上表现优于顺序基准，但仍存在较大提升空间。

Comments 12 pages, 5 figures. Artifact: https://github.com/Eureka246/BulkPR-Bench-Release ; archived artifact: https://doi.org/10.5281/zenodo.21717780

No One Wins in Nuclear War: A Social Simulation of Military Decision-making

核战争中无人取胜：军事决策的社会模拟

Glenn Matlin, Isaac Song, Anthony Wen-Ming Zang, Mark Riedl

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

AI总结 本研究构建了名为WOPR的社会模拟环境，以兵棋推演为载体，采用Concordia为默认工具，实现了带有可验证规则引擎和四级沟通阶梯的模拟系统，将军事决策等战略选择转化为智能体的明确决策。

Comments 16 pages, 11 figures. Published at the Social Sim'26 Workshop at COLM 2026. Code and replay data: https://github.com/eilab-gt/wopr