代码大模型 / AI 编程

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

NALA_MAINZ at BLP-2025 Task 2: A Multi-agent Approach for Bangla Instruction to Python Code Generation

NALA_MAINZ 在 BLP-2025 任务 2 中的多智能体方法：用于孟加拉语指令到 Python 代码生成

Hossain Shaikh Saadi, Faria Alam, Mario Sanz-Guerrero, Minh Duc Bui, Manuel Mager, Katharina von der Wense

机构 * Johannes Gutenberg University Mainz（美因茨雅各布·冯·蒂泽大学） ； Saarland University（萨尔兰大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文提出了一种基于多智能体的框架，通过生成和调试代理协同工作，实现从孟加拉语指令到 Python 代码的高效生成，并在 BLP-2025 任务中取得优异成绩。

Comments BLP 2025 Shared Task 2 - Code Generation in Bangla

AutoBackdoor: Automating Backdoor Attacks via LLM Agents

AutoBackdoor: 通过LLM代理自动化后门攻击

Yige Li, Zhe Li, Wei Zhao, Nay Myat Min, Hanxun Huang, Xingjun Ma, Jun Sun

机构 * Singapore Management University（新加坡管理大学） ； The University of Melbourne（墨尔本大学） ； Fudan University（复旦大学） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.AI

AI总结 AutoBackdoor通过LLM代理自动化后门攻击，实现高效触发器生成和毒化数据构建，验证了对抗防御的脆弱性。

Comments 23 pages

Beyond Code Similarity: Benchmarking the Plausibility, Efficiency, and Complexity of LLM-Generated Smart Contracts

超越代码相似性：评估LLM生成智能合约的可信度、效率和复杂性

Francesco Salzano, Simone Scalabrino, Rocco Oliveto, Remo Pareschi

专题命中 代码评测 ：code generation(abstract)；分类 cs.SE

AI总结 本文评估了LLM生成智能合约的可信度、效率和复杂性，发现检索增强生成显著提升了功能正确性，但生成代码仍需专家验证。

Comments 20 pages

ResearStudio: A Human-Intervenable Framework for Building Controllable Deep-Research Agents

ResearStudio: 一种可人工干预的构建可控深度研究代理的框架

Linyi Yang, Yixuan Weng

机构 * Southern University of Science and Technology（南方科技大学） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.AI

AI总结 ResearStudio是一种可人工干预的深度研究代理框架，通过实时人类控制与自动化相结合，在GAIA基准中取得最佳性能。

Comments EMNLP 2025 Demo, Oral

Waiting for Dabo: A machine learning model for predicting Power 4 college football coaching hire success

等待达博：一个用于预测Power 4大学足球教练聘任成功的机器学习模型

Michael Schuckers, Austin Hayes

专题命中 代码评测 ：repository(abstract)

AI总结 本文提出一个机器学习模型，用于预测Power 4大学足球教练聘任的成功，通过分析教练背景、过去表现和学校质量等29个变量，模型准确率达66%，但无法高预测性识别成功聘任。

Comments Version 2025.11.20

SlsReuse: LLM-Powered Serverless Function Reuse

SlsReuse：基于LLM的无服务器函数重用

Jinfeng Wen, Yuehan Sun

专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE

AI总结 SlsReuse是首个基于LLM的无服务器函数重用框架，通过语义增强表示和多级修剪策略提升函数推荐效果。

Towards Formal Verification of LLM-Generated Code from Natural Language Prompts

向自然语言提示生成的LLM代码形式验证

Aaron Councilman, David Jiahao Fu, Aryan Gupta, Chengxiao Wang, David Grove, Yu-Xiong Wang, Vikram Adve

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； IBM Research（IBM研究院） 纠错

专题命中 程序分析与验证 ：code generation(abstract)；分类 cs.AI、cs.PL

AI总结 Astrogator通过形式查询语言和知识库实现对LLM生成代码的正确性验证，验证准确率达83%。

Comments 28 pages, 10 figures