代码大模型 / AI 编程

GeoJSON Agents:A Multi-Agent LLM Architecture for Geospatial Analysis-Function Calling vs Code Generation

GeoJSON代理：一种用于地理空间分析的多智能体LLM架构——功能调用与代码生成

Qianqian Luo, Qingming Lin, Liuchang Xu, Sensen Wu, Ruichen Mao, Chao Wang, Hailin Feng, Bo Huang, Zhenhong Du

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

AI总结 GeoJSON代理通过功能调用与代码生成技术，提升地理空间分析任务的准确性和稳定性，展现多智能体LLM在复杂任务中的优势。

Astra: A Multi-Agent System for GPU Kernel Performance Optimization

Astra：一种用于GPU内核性能优化的多智能体系统

Anjiang Wei, Tianran Sun, Yogesh Seenichamy, Hang Song, Anne Ouyang, Azalia Mirhoseini, Ke Wang, Alex Aiken

机构 * Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） 纠错

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

AI总结 Astra是首个基于LLM的多智能体系统，用于优化GPU内核性能，通过协作生成高效内核并实现显著加速。

When Do Symbolic Solvers Enhance Reasoning in Large Language Models?

符号求解器在大语言模型中增强推理何时有效？

Zhiyuan He, Dingmin Wang

机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学） 纠错

专题命中 代码生成 ：code generation(abstract)；分类 cs.AI

AI总结 本文研究符号求解器如何在大语言模型中增强推理，发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异，尤其在约束满足问题中提升显著。

DAWZY: A New Addition to AI powered "Human in the Loop" Music Co-creation

DAWZY：一种新的AI驱动的“人机协同”音乐共创工具

Aaron C Elkins, Sanchit Singh, Adrian Kieback, Sawyer Blankenship, Uyiosa Philip Amadasun, Aman Chadha

专题命中 代码生成 ：code generation(abstract)

AI总结 DAWZY是一种基于AI的开源音乐创作工具，通过自然语言交互和LLM代码生成，提升音乐制作效率与用户体验。

PARC: An Autonomous Self-Reflective Coding Agent for Robust Execution of Long-Horizon Tasks

PARC：一种自主自反思编码代理，用于稳健执行长周期任务

Yuki Orimo, Iori Kurata, Hodaka Mori, Ryuhei Okuno, Ryohto Sawada, Daisuke Okanohara

机构 * PARC 纠错

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

AI总结 PARC是一种自主自反思编码代理，通过自我评估和反馈机制实现长周期任务的稳健执行，展示了AI在自主科学分析中的潜力。

Kodezi Chronos: A Debugging-First Language Model for Repository-Scale Code Understanding

Kodezi Chronos：面向仓库级代码理解的调试优先语言模型

Ishraq Khan, Assad Chowdary, Sharoz Haseeb, Urvish Patel, Yousuf Zaii

专题命中 程序修复 ：repository(title,abstract)；code generation(abstract)；分类 cs.SE、cs.AI、cs.LG

AI总结 Kodezi Chronos-1是一种专为调试设计的语言模型，通过自适应图引导检索、持久调试内存和七层架构，在多文件调试任务中达到67.3%的修复准确率，超越现有模型并实现仓库特定的高解决率。

Comments 24 figures, 43 tables, 2 algorithms. Extended technical report introducing Chronos-1, a debugging-specific language model. Information available at https://github.com/Kodezi/chronos

Cataloguing Hugging Face Models to Software Engineering Activities: Automation and Findings

对Hugging Face模型进行软件工程活动的分类：自动化与发现

Alexandra González, Xavier Franch, David Lo, Silverio Martínez-Fernández

机构 * Universitat Politècnica de Catalunya（政治与技术大学） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 本文通过分类Hugging Face上的预训练模型，揭示了软件工程中模型的应用现状与不足，为自动化场景提供了基础。

PerfBench: Can Agents Resolve Real-World Performance Bugs?

PerfBench: 代理能否解决现实中的性能缺陷？

Spandan Garg, Roshanak Zilouchian Moghaddam, Neel Sundaresan

机构 * Microsoft Corporation（微软公司） 纠错

专题命中 代码评测 ：coding agent(abstract)；分类 cs.SE、cs.AI

AI总结 PerfBench通过引入新的基准测试，评估代理解决性能缺陷的能力，发现现有代理在性能优化任务上表现不佳，但通过改进工具和指导可提升至20%的成功率。

AGENTSAFE: A Unified Framework for Ethical Assurance and Governance in Agentic AI

AGENTSAFE：面向代理AI的统一伦理保障与治理框架

Rafflesia Khan, Declan Joyce, Mansura Habiba

专题命中 代码评测 ：repository(abstract)

AI总结 AGENTSAFE提出一个统一的治理框架，通过风险分类转化为可操作的设计、运行时和审计控制，提供可衡量的预部署保障，并通过运行时治理和问责机制建立代理AI生态系统的信任。

Comments 12 pages, 1 figure

ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST

ORACLE：一种用于LSST的实时、分层、深度学习光度分类器

Ved G. Shah, Alex Gagliano, Konstantin Malanchev, Gautham Narayan, Alex I. Malz, The LSST Dark Energy Science Collaboration

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

AI总结 ORACLE是一种基于深度学习的实时光度分类器，通过分层结构和上下文信息实现高精度瞬变天体分类。

Comments 30 pages, 20 figures, 9 tables. Accepted to ApJ

Journal ref 2025 ApJ 995 4

Large Language Model-Based Agents for Software Engineering: A Survey

基于大型语言模型的软件工程代理：一项综述

Junwei Liu, Kaixin Wang, Yixuan Chen, Xin Peng, Zhenpeng Chen, Lingming Zhang, Yiling Lou

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

AI总结 本文综述了基于大型语言模型的软件工程代理，分析了其应用、挑战及未来方向。

Comments Accepted by TOSEM