代码大模型 / AI 编程

RPM-MCTS: Knowledge-Retrieval as Process Reward Model with Monte Carlo Tree Search for Code Generation

RPM-MCTS：基于蒙特卡洛树搜索的知识检索作为过程奖励模型用于代码生成

Yuanyuan Lin, Xiangyu Ouyang, Teng Zhang, Kaixin Sui

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

AI总结 RPM-MCTS通过结合知识检索与蒙特卡洛树搜索，有效评估代码生成过程中的中间步骤，减少错误并提升效率

Comments Accepted at AAAI 2026

An Exploratory Study of Bayesian Prompt Optimization for Test-Driven Code Generation with Large Language Models

基于大语言模型的测试驱动代码生成中贝叶斯提示优化的探索性研究

Shlok Tomar, Aryan Deshwal, Ethan Villalovoz, Mattia Fazzini, Haipeng Cai, Janardhan Rao Doppa

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

AI总结 本文提出BODE-GEN方法，通过贝叶斯优化优化提示以提高大语言模型生成代码的准确性，实验表明其在代码生成准确性上优于固定提示和手动提示工程。

Comments 20 pages, 13 figures

Aligning Academia with Industry: An Empirical Study of Industrial Needs and Academic Capabilities in AI-Driven Software Engineering

将学术与产业对齐：一项关于工业需求和学术能力的AI驱动软件工程实证研究

Hang Yu, Yuzhou Lai, Li Zhang, Xiaoli Lian, Fang Liu, Yanrui Dong, Ting Zhang, Zhi Jin, David Lo

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

AI总结 本文通过分析学术研究与工业需求的差距，揭示AI驱动软件工程中的关键挑战，旨在引导未来研究更贴近实际应用。

CODE ACROSTIC: Robust Watermarking for Code Generation

CODE ACROSTIC: 为代码生成提供稳健的水印技术

Li Lin, Siyuan Xin, Yang Cao, Xiaochun Cao

机构 * Institude of Science Tokyo（东京科学研究院） ； Shanghai University（上海大学） ； Sun Yat-sen University（孙中山大学） 纠错

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

AI总结 CODE ACROSTIC通过利用Cue List区分代码熵，提升代码水印标记的可检测性和实用性，有效应对注释移除攻击。

EvoLattice: Persistent Internal-Population Evolution through Multi-Alternative Quality-Diversity Graph Representations for LLM-Guided Program Discovery

EvoLattice: 通过多替代质量-多样性图表示实现持久内部种群进化以指导LLM引导的程序发现

Kamer Ali Yuksel

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 EvoLattice通过多替代质量-多样性图表示实现持久内部种群进化，提升LLM引导程序发现的稳定性、表达力和改进轨迹

DreamPRM-Code: Function-as-Step Process Reward Model with Label Correction for LLM Coding

DreamPRM-Code: 一种基于函数作为步骤的进程奖励模型与标签校正用于LLM编码

Ruiyi Zhang, Peijia Qin, Qi Cao, Pengtao Xie

机构 * University of California, San Diego（加州大学圣迭戈分校） 纠错

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

AI总结 DreamPRM-Code通过链式函数提示策略和元学习校正机制，提升LLM在编码任务中的表现，达到LiveCodeBench的最高准确率

LLM as a Neural Architect: Controlled Generation of Image Captioning Models Under Strict API Contracts

将LLM作为神经架构：在严格API合同下控制生成图像描述模型

Krunal Jesani, Dmitry Ignatov, Radu Timofte

机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室、CAIDAS与IFI、乌尔姆大学） 纠错

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

AI总结 本文提出了一种基于LLM的神经架构搜索方法，通过生成可运行的图像描述模型，展示了LLM在架构设计和超参数优化中的潜力。

The Semantic Architect: How FEAML Bridges Structured Data and LLMs for Multi-Label Tasks

语义架构：FEAML如何将结构化数据与LLMs结合用于多标签任务

Wanfu Gao, Zebin He, Jun Gao

机构 * Wanfu Gao 1,2（高万福（1,2）） ； Zebin He 1,2（何泽彬（1,2）） ； Jun Gao 1,2（高俊（1,2）） 纠错

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

AI总结 FEAML通过结合LLMs的代码生成能力与反馈机制，实现高效且自我改进的多标签任务特征工程方法。

Enigma: Application-Layer Privacy for Quantum Optimization on Untrusted Computers

Enigma：量子优化在不可信计算机上的应用层隐私保护

Ramin Ayanzadeh, Ahmad Mousavi, Amirhossein Basareh, Narges Alavisamani, Kazem Taram

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； American University（美国大学） ； Purdue University（普渡大学） 纠错

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

AI总结 Enigma通过应用层混淆技术保护量子优化在不可信计算机上的隐私，有效抵御攻击同时保持计算效率。