代码大模型 / AI 编程

A Hybrid Approach for EMF Code Generation:Code Templates Meet Large Language Models

一种混合方法用于EMF代码生成：代码模板与大型语言模型的结合

Xiao He, Ru Chen, Zeqing Zhang, Yanling Wang, Qiuyan Dong

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

AI总结 本文提出iEcoreGen，结合EMF和LLM，通过模板生成初始代码并利用LLM完善方法，提升代码生成效率与准确性。

When Forgetting Builds Reliability: LLM Unlearning for Reliable Hardware Code Generation

当遗忘构建可靠性：用于可靠硬件代码生成的LLM去学习

Yiwen Liang, Qiufeng Li, Shikai Wang, Weidong Cao

机构 * Department of ECE, The George Washington University（电子工程系，乔治·华盛顿大学） 纠错

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

AI总结 本文提出了一种针对LLM硬件代码生成的去学习框架，通过语法保持策略和细粒度损失机制有效去除不良知识，提升代码生成的可靠性。

Designing LLM-based Multi-Agent Systems for Software Engineering Tasks: Quality Attributes, Design Patterns and Rationale

设计基于大语言模型的多智能体系统用于软件工程任务：质量属性、设计模式与理由

Yangxiao Cai, Ruiyin Li, Peng Liang, Mojtaba Shahin, Zengyang Li

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工学院计算技术学院） ； School of Computer Science, Central China Normal University（中央师范大学计算机学院） 纠错

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

AI总结 本文研究了基于大语言模型的多智能体系统在软件工程任务中的设计，发现代码生成是最常见任务，功能性适应性是主要关注的质量属性，基于角色的合作是最常用的设计模式，提高生成代码质量是主要设计动机。

Comments 35 pages, 4 images, 7 tables, Manuscript submitted to a Journal (2025)

Synthesizing Performance Constraints for Evaluating and Improving Code Efficiency

为评估和提升代码效率合成性能约束

Jun Yang, Cheng-Chi Wang, Bogdan Alexandru Stoica, Kexin Pei

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

AI总结 WEDGE通过生成性能压力输入，提升代码优化效果，释放PERFFORGE测试以评估未来高效代码生成方法。

Comments Accepted by Neurips 2025 (main poster)

Natural Language Summarization Enables Multi-Repository Bug Localization by LLMs in Microservice Architectures

自然语言摘要通过LLM在微服务架构中多仓库Bug定位

Amirkia Rafiei Oskooei, S. Selcan Yukcu, Mehmet Cevheri Bozoglan, Mehmet S. Aktas

机构 * Yildiz Technical University, Dept. of Computer Eng.（Yildiz技术大学，计算机工程系） ； Yildiz Technical University, Department of Computer Engineering（Yildiz技术大学，计算机工程系） 纠错

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

AI总结 利用自然语言摘要和LLM技术，通过多仓库微服务架构实现更高效的Bug定位，显著提升定位准确率和透明度。

Comments Accepted at LLM4Code Workshop, ICSE 2026

LymphAtlas- A Unified Multimodal Lymphoma Imaging Repository Delivering AI-Enhanced Diagnostic Insight

LymphAtlas- 一种统一的多模态淋巴瘤影像存储库，提供人工智能增强的诊断洞察

Jiajun Ding, Beiyao Zhu, Xiaosheng Liu, Lishen Zhang, Zhao Liu

专题命中 仓库级理解 ：repository(title)

AI总结 LymphAtlas通过整合PET与CT数据，构建高质量多模态数据集，提升淋巴瘤分割精度与临床应用价值。

Comments 12 pages,3 figures

FedGES: A Federated Learning Approach for BN Structure Learning

FedGES：一种用于贝叶斯网络结构学习的联邦学习方法

Pablo Torrijos, José A. Gámez, José M. Puerta

机构 * Instituto de Investigación en Informática de Albacete (I3A). Universidad de Castilla-La Mancha（阿尔巴塞特信息研究所（I3A）. 卡斯蒂利亚-拉曼查大学） ； Departamento de Sistemas Informáticos. Universidad de Castilla-La Mancha（信息系统系. 卡斯蒂利亚-拉曼查大学） 纠错

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

AI总结 FedGES是一种用于贝叶斯网络结构学习的联邦学习方法，通过仅交换网络结构而非数据来解决隐私问题，适用于高维和稀疏数据场景。

Journal ref Discovery Science. DS 2024. Lecture Notes in Computer Science(), vol 15244. Springer, Cham

Training Multi-Layer Binary Neural Networks With Local Binary Error Signals

训练多层二进制神经网络的局部二进制误差信号

Luca Colombo, Fabrizio Pittorino, Manuel Roveri

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

AI总结 本研究提出了一种完全二进制且无梯度的训练算法，用于多层二进制神经网络，通过局部二进制误差信号和二进制权重更新，显著提升测试准确率并降低计算成本。

Journal ref Machine Learning: Science and Technology, 2025, 6(3): 035015