代码大模型 / AI 编程

PaperCompiler: Faithful Paper-to-Code Generation via Repository-Level Specification Compilation

PaperCompiler：通过仓库级规范编译实现忠实的论文到代码生成

Yunhao Liu, Hong Phuc Pham, Jaehong Yoon

机构 * NTU Singapore（新加坡南洋理工大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；coding agent(abstract)；分类 cs.SE、cs.CL、cs.AI

AI总结 PaperCompiler是一种论文到代码生成框架，通过编译论文相关证据生成仓库级规范，在Paper2CodeBench上实现了优于基线的性能，提升了代码保真度并减少了高严重性批评。

Comments 9 pages

WebDesignIter: Co-Evolving Design Knowledge for Repository-Level Front-End Code Generation

WebDesignIter：用于仓库级前端代码生成的协同进化设计知识

Zheng Pei, Mingwei Liu, Zhenxi Chen, Zihao Wang, Yanlin Wang

机构 * Sun Yat-sen University（中山大学） ； School of Software Engineering, Sun Yat-sen University（中山大学软件学院） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；coding agent(abstract)；分类 cs.SE

AI总结 研究针对前端开发仓库级代码生成问题，提出WebDesignIter框架，通过持久知识图谱融合设计知识与仓库结构，分两阶段工作，实验证明其相比基线和通用编码代理有优势，凸显设计知识对仓库级代码生成的重要性。

Context-Augmented Code Generation: How Product Context Improves AI Coding Agent Decision Compliance by 49%

上下文增强的代码生成：产品上下文如何通过49%提高AI编码代理的决策合规性

Drew Dillon, Kasyap Varanasi

机构 * Brief（简述） 纠错

专题命中 代码生成 ：coding agent(title,abstract)；code generation(title)；repository(abstract,comments)；分类 cs.SE、cs.AI、cs.LG

AI总结 本文提出一个衡量决策合规性的基准，通过产品上下文检索系统提升AI编码代理的决策合规性，实验结果显示合规率从46%提升至95%。

Comments 16 pages, 3 figures, 16 tables. Benchmark repository: https://github.com/brief-hq/dcbench

Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation

面向仓库级代码生成的自适应关键令牌感知检索

Kefeng Duan, Dewu Zheng, Yanlin Wang, Terry Yue Zhuo, Mingwei Liu, Jianxing Yu, Jiachi Chen, Ensheng Shi, Xilin Liu, Yuchi Ma, Zibin Zheng

机构 * Sun Yat-sen University（中山大学） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； Monash University（莫纳什大学） ； CSIRO’s Data61（联邦科学与工业研究组织数据61研究所） ； Zhejiang University（浙江大学） ； Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.CL、cs.AI

AI总结 针对仓库级代码生成中LLM输入长度受限及关键令牌易出错问题，提出ACToR框架，通过识别关键令牌触发针对性检索并采用位置感知加权，在RepoExec和CoderEval上较SOTA方法分别提升8.4%、15.4%

Comments Under review

Learning to Guarantee Type Correctness in Code Generation through Type-Guided Program Synthesis

通过类型引导的程序合成学习保证类型正确性

Zhechong Huang, Zhao Zhang, Ruyi Ji, Tingxuan Xia, Qihao Zhu, Qinxiang Cao, Zeyu Sun, Wiggin Zhou, Yingfei Xiong

机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Tencent（腾讯） 纠错

专题命中 代码生成 ：code generation(title,abstract)；program synthesis(title,abstract)；分类 cs.SE、cs.AI、cs.PL

AI总结 TyFlow 通过内部化类型推理，提升代码生成的类型正确性与功能正确性。

DualGauge: Automated Joint Security-Functionality Benchmarking of Specification-Only Code Generation by LLMs and Coding Agents

DualGauge: 对仅由LLM和编码代理生成的规范代码进行自动化联合安全-功能基准测试

Rupam Patir, Keyan Guo, Suvadra Barua, Abhijeet Pathak, Dinesh Gudimetla, Jiawei Guo, Hongxin Hu, Haipeng Cai

机构 * University at Buffalo, SUNY（布法罗大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；coding agent(title,abstract)；分类 cs.SE、cs.AI

AI总结 提出DualGauge框架，首个自动化联合评估规范代码正确性与安全性的系统，通过307个任务基准测试发现功能正确性高估可靠代码生成，联合成功率低于15%，且模型因素和代理系统均无法可靠提升。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026

TENET: One Step Toward Test-Driven Development for Repository-Level Code Generation

TENET：迈向仓库级代码生成的测试驱动开发的第一步

Yiran Hu, Shanchao Liang, Nan Jiang, Yi Wu, Lin Tan

机构 * Purdue University（普渡大学） ； Microsoft Office AI（微软办公人工智能） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 研究仓库级代码生成的测试驱动开发问题，提出TENET框架，含测试harness机制、定制工具集和细化工作流程，能选简洁测试套件，实现高效检索调试与迭代改进，性能优于基线，还研究了测试套件特征对LLM代理性能的影响。

Comments Accepted at the 37th IEEE International Symposium on Software Reliability Engineering (ISSRE 2026)

Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation

基于部分依赖图的高效上下文检索用于仓库级代码生成

Zhongxin Liu, Zhonghao Jiang, Zhifan Ye, Haoye Wang, Jiakun Liu, Xiaoxue Ren

机构 * Zhejiang University（浙江大学） ； Hangzhou City University（杭州城市大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 该研究针对仓库级代码生成中RAG方法的不足，提出基于部分依赖图的DyRetriever，构建DyCoder并在CoderEval、DevEval上取得显著性能提升且效率更高。

Comments Accepted by ASE 2026

ProjAgent: Procedural Similarity Retrieval for Repository-Level Code Generation

ProjAgent：用于仓库级代码生成的过程相似性检索

QiHong Chen, Aaron Imani, Iftekhar Ahmed

机构 * University of California, Irvine（加州大学伊文斯分校） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 研究仓库级代码生成问题，提出ProjAgent系统，将目标函数分解为中间推理步骤，通过代理工作流程检索相似过程行为的函数，结合语义检索构建丰富上下文，并利用静态分析反馈循环修复代码，实验表明该方法有效。

CodeTeam: An LLM-Powered Multi-Agent Framework for Repository-Level Code Generation

CodeTeam: 一个基于LLM的多智能体框架用于仓库级代码生成

Yifei Wang, Ruiyin Li, Peng Liang, Qiong Feng, Zengyang Li, Mojtaba Shahin, Arif Ali Khan

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computer Science, Nanjing University of Science and Technology（南京理工大学计算机学院） ； School of Computer Science, Central China Normal University（中央财经大学计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工学院计算技术学院） ； M3S Research Group, SEIS Unit, University of Oulu（奥卢大学M3S研究组，SEIS单元） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 提出CodeTeam框架，通过分离规划、决策和实现阶段，结合多智能体协作与依赖感知调度，解决仓库级代码生成中的长程规划与跨文件一致性问题，在SketchEval和NL2Repo-Bench上取得显著提升。

Comments 36 pages, 5 images, 9 tables, Manuscript submitted to a Journal (2026)

Retrieval-Augmented Code Generation: A Survey with Focus on Repository-Level Approaches

检索增强的代码生成：聚焦于仓库级方法的综述

Yicheng Tao, Yuante Li, Yao Qin, Yepang Liu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Chinese University of Hong Kong（香港中文大学） ； Southern University of Science and Technology（南方科技大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.CL

AI总结 本文综述了检索增强的代码生成方法，重点探讨仓库级方法，分析了其在大规模代码生成中的挑战与解决方案，总结了现有方法的分类框架及关键挑战。

In Line with Context: Repository-Level Code Generation via Context Inlining

与上下文一致：通过上下文内联实现仓库级代码生成

Chao Hu, Wenhao Zeng, Yuling Shi, Beijun Shen, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 本文提出InlineCoder框架，通过内联未完成函数到调用图中，将仓库理解转化为更易处理的函数级编码任务，提升仓库级代码生成能力。

Comments Accepted to FSE 2026

Persistent Cross-Attempt State Optimization for Repository-Level Code Generation

持久的跨尝试状态优化用于仓库级代码生成

Ruwei Pan, Jiangshuai Wang, Qisheng Zhang, Yueheng Zhu, Linhao Wu, Zixiong Yang, Yakun Zhang, Lu Zhang, Hongyu Zhang

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 本文提出LiveCoder框架，通过跨尝试知识优化提升仓库级代码生成效率，通过保留任务特定状态提升生成效果，实验表明在RAL-Bench上功能得分提升22.94个百分点，仓库复用率提升至81.58%。

CATCODER: Repository-Level Code Generation with Relevant Code and Type Context

CATCODER: 基于相关代码和类型上下文的仓库级代码生成

Zhiyuan Pan, Xing Hu, Xin Xia, Xiaohu Yang

机构 * The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 CatCoder通过整合相关代码和类型上下文，提升仓库级代码生成的性能和可扩展性。

Comments Revised and extended version; To be published in ACM Transactions on Software Engineering and Methodology

SemanticForge: Repository-Level Code Generation through Semantic Knowledge Graphs and Constraint Satisfaction

SemanticForge：基于语义知识图谱和约束满足的仓库级代码生成

Wuyang Zhang, Chenkai Zhang, Zhen Luo, Jianming Ma, Wangming Yuan, Chuqiao Gu, Chenwei Feng

机构 * Department of Elec.&Comp. Science, University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校电子与计算机科学系） ； Department of Computer Sys. Engineering, Northeastern University（东北大学计算机系统工程系） ； Department of Computer Science, George Mason University（乔治·梅森大学计算机科学系） ； Department of Info. Networking Institude, Carnegie Mellon University（卡内基梅隆大学信息网络研究所） ； Department of Computer & Mathematical Sciences, Auckland University of Technology（奥克兰理工大学计算机与数学科学系） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.AI

AI总结 针对大型语言模型代码生成中的逻辑与模式幻觉问题，提出SemanticForge框架，通过双知识图谱协调、神经图查询生成、集成SMT的束搜索及增量维护算法，实现仓库级语义感知代码生成，提升生成准确性。

Journal ref INNO-PRESS: Journal of Emerging Applied AI, 2025

FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation

FEA-Bench：一个用于评估仓库级代码生成实现功能的基准

Wei Li, Xin Zhang, Zhongxin Guo, Shaoguang Mao, Wen Luo, Guangyue Peng, Yangyu Huang, Houfeng Wang, Scarlett Li

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机学院，北京大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE、cs.CL

AI总结 针对现有基准缺乏评估仓库级功能实现能力的问题，提出FEA-Bench基准，通过83个GitHub仓库的拉取请求构建任务，要求模型同时具备代码补全与编辑能力，实验显示LLMs在此任务上表现显著较差。

Comments V2, Accepted by ACL 2025 main conference

Combining LLM Code Generation with Formal Specifications and Reactive Program Synthesis

将 LLM 代码生成与形式化规范及反应式程序综合相结合

William Murphy, Nikolaus Holzer, Feitong Qiao, Leyi Cui, Raven Rothkopf, Nathan Koenig, Mark Santolucito

专题命中 代码生成 ：code generation(title,abstract)；program synthesis(title,abstract)；分类 cs.SE、cs.LG

AI总结 本文提出将 LLM 代码生成与基于形式化方法的反应式程序综合结合，通过分工处理复杂逻辑，并构建基准验证其可解决以往 LLM 难以完成的代码生成问题。

NARRepair: Non-Autoregressive Code Generation Model for Automatic Program Repair

NARRepair：面向自动程序修复的非自回归代码生成模型

Zhenyu Yang, Zhen Yang, Zhongxing Yu

机构 * Shandong University（山东大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；program repair(title,abstract)；分类 cs.SE、cs.AI

AI总结 针对自回归式自动程序修复技术推理延迟高的问题，本文提出首个定制化非自回归代码生成模型NARRepair，通过三项创新设计实现高修复准确率下的推理速度显著提升。

RAPO-Sol: Retrieval-Augmented Preference Optimization for Repository-Level Solidity Code Generation

RAPO-Sol：面向仓库级Solidity代码生成的检索增强偏好优化

Rongcun Wang, Shi Chen

机构 * China University of Mining and Technology（中国矿业大学） ； Macau University of Science and Technology（澳门科技大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 提出RAPO-Sol两阶段训练框架，结合检索增强微调和基于语义扰动的直接偏好优化，在仓库级Solidity代码生成中显著提升性能，且推理时无需检索。

Comments 12 pages, 3 figures, 5 tables

Beyond Repository Boundaries: Cross-Repository Graph Retrieval for Code Generation

超越仓库边界：用于代码生成的跨仓库图检索

Minh Le-Anh, Nam Le Hai, Quyen Tran, Anh Nguyen Hoang, Linh Ngo Van, Bach Le, Nghi D. Q. Bui

机构 * Quantum AI & Cyber Security Institute, FPT Corporation（量子人工智能与网络安全研究所，FPT公司） ； Hanoi University of Science and Technology（河内科学技术大学） ； Rutgers University（罗格斯大学） ； The University of Melbourne（墨尔本大学） ； Center for AI Research, VinUniversity（VinUniversity人工智能研究中心） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 针对仓库级代码生成中外部API依赖和结构关系利用不足的问题，提出跨仓库图检索框架CrossCoder，通过统一知识图谱和多跳检索提升功能正确性与版本鲁棒性。

Comments Accepted to EMNLP Findings 2026

Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond

不要将代码视为自然语言：对仓库级代码生成及更广泛领域的启示

Minh Le-Anh, Huyen Nguyen, Khanh An Tran, Nam Le Hai, Linh Ngo Van, Nghi D. Q. Bui, Bach Le

机构 * FPT Software AI Center（FPT软件人工智能中心） ； Hanoi University of Science and Technology（河内科学技术大学） ； The University of Melbourne（墨尔本大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 Hydra通过结构化代码生成框架提升仓库级代码生成性能，超越现有方法并实现更高效依赖检索。

Comments Accepted to FSE 2026

MRCoder: An Efficient Context Selecting Approach for Repository-Level Code Generation

MRCoder：一种面向仓库级代码生成的高效上下文选择方法

Peiding Wang, Li Zhang, Fang Liu

机构 * Beihang University（北京航空航天大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 MRCoder是一种基于Map-Reduce范式的仓库级代码生成上下文选择框架，通过SADGS策略和并行验证，在提升代码生成准确率的同时降低了token消耗与推理时间。

Comments Under review in TOSEM

An Evaluation of Role-Based Multi-Agent Code Generation on Repository-Scale Problems

基于角色的多智能体代码生成在仓库规模问题上的评估

Benedetta Donato, Noah Hagar-Dent, Aaron Worsnop, Leonardo Mariani, Valerio Terragni

机构 * University of Milano-Bicocca（米兰比可卡大学） ； The University of Auckland（奥克兰大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 研究基于角色的多智能体代码生成在仓库规模问题上的效果，通过对12个Java仓库评估，发现其生成代码与开发者代码更相似，但与人工实现仍有差距。

Comments 8 pages, 1 figure, 2 tables. Accepted for publication in the IEEE Software Special Issue on Engineering Agentic Systems

Journal ref IEEE Software 2026 - Special Issue on Engineering Agentic Systems

Repository-Level Solidity Code Generation with Large Language Models: From Prompting to Fine-Tuning

基于大语言模型的仓库级Solidity代码生成：从提示到微调

Shi Chen, Rongcun Wang, Yuan Tian, Xiaoyuan Xie, Wei Song, Rubing Huang

机构 * China University of Mining and Technology（中国矿业大学） ； Queen’s University（女王大学） ； Wuhan University（武汉大学） ； Nanjing University of Science&Technology（南京理工大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 提出SolidityBench基准和SolidityScore指标，评估多种LLM方法在仓库级Solidity代码生成中的表现，发现监督微调最有效。

Comments 33 pages

TICoder: A Repository-Level Code Generation Framework with Test-Driven Planning and Implementation-Aware Reuse

TICoder: 一种具有测试驱动规划和实现感知复用的仓库级代码生成框架

Siyu Nan, Yaling Luo, Jian Wang, Neng Zhang, Bing Li

机构 * Wuhan University（武汉大学） ； Central China Normal University（华中师范大学） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 提出TICoder框架，通过测试驱动迭代规划机制和实现感知代码复用策略，解决仓库级代码生成中的依赖和上下文限制问题，在多个基准上平均提升11.52%。

Comments 11 pages

CodeMEM: AST-Guided Adaptive Memory for Repository-Level Iterative Code Generation

CodeMEM: 基于AST的适应性内存用于仓库级迭代代码生成

Peiding Wang, Li Zhang, Fang Liu, Chongyang Tao, Yinghao Zhu

机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机学院） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） 纠错

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 CodeMEM通过基于AST的动态内存管理，提升仓库级迭代代码生成的指令遵循能力与效率。

Comments preprint

RepoScope: Leveraging Call Chain-Aware Multi-View Context for Repository-Level Code Generation

RepoScope：利用调用链感知的多视图上下文进行仓库级代码生成

Yang Liu, Li Zhang, Fang Liu, Zhuohang Wang, Donglin Wei, Zhishuo Yang, Kechi Zhang, Jia Li, Lin Shi

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 提出RepoScope，通过构建仓库结构语义图检索多视图上下文，并利用调用链预测和保结构序列化算法，在无需额外训练下显著提升仓库级代码生成性能。

Comments Accepted by ICSE 2026

SolEval: Benchmarking Large Language Models for Repository-level Solidity Code Generation

SolEval：针对仓库级Solidity代码生成的大语言模型基准测试

Zhiyuan Peng, Xin Yin, Rui Qian, Peiqin Lin, Yongkang Liu, Hao Zhang, Chenhao Ying, Yuan Luo

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 针对现有基准忽视Solidity的问题，构建首个仓库级基准SolEval（含1507个样本）评估LLMs的Solidity生成能力，发现最佳LLM仅26.29%Pass@10，且微调Qwen-7B可显著提升性能。

Comments Accepted By EMNLP'25-Main

A^3-CodGen: A Repository-Level Code Generation Framework for Code Reuse with Local-Aware, Global-Aware, and Third-Party-Library-Aware

A^3-CodGen：面向代码复用、具备局部感知、全局感知与第三方库感知的仓库级代码生成框架

Dianshu Liao, Shidong Pan, Xiaoyu Sun, Xiaoxue Ren, Qing Huang, Zhenchang Xing, Huan Jin, Qinying Li

专题命中 代码生成 ：code generation(title,abstract)；repository(title,abstract)；分类 cs.SE

AI总结 提出 A^3-CodGen 仓库级代码生成框架，融合当前文件、跨文件及第三方库上下文，提升生成代码的准确性、效率与复用率。

No Man is an Island: Towards Fully Automatic Programming by Code Search, Code Generation and Program Repair

没有人是一座孤岛：通过代码搜索、代码生成和程序修复迈向全自动编程

Quanjun Zhang, Chunrong Fang, Ye Shang, Tongke Zhang, Shengcheng Yu, Zhenyu Chen

专题命中 代码生成 ：code generation(title,abstract)；program repair(title,abstract)；分类 cs.SE

AI总结 本文提出一个自动编程框架，首次整合代码搜索、代码生成和程序修复，利用大型语言模型提升生成代码质量，并在编程问题上取得62.53%的提升。