代码大模型 / AI 编程

Vendor-Aware Industrial Agents: RAG-Enhanced LLMs for Secure On-Premise PLC Code Generation

面向供应商的工业代理：增强型LLM用于安全本地PLC代码生成

Joschka Kersting, Michael Rummel, Gesa Benndorf

机构 * Centre for Machine Learning（机器学习中心） ； Fraunhofer IOSB-INA（弗劳恩霍夫IOSB-INA研究所） ； FA-EDC ； Mitsubishi Electric Europe（三菱电机欧洲） 纠错

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

AI总结 本文提出了一种基于RAG增强的LLM方法，用于在低数据域中安全生成本地PLC代码，通过提示工程和定向检索提升代码生成质量。

Comments ICIT2026

Idea First, Code Later: Disentangling Problem Solving from Code Generation in Evaluating LLMs for Competitive Programming

先有想法，后写代码：在评估LLM用于竞技编程时，将问题解决与代码生成解耦

Sama Hadhoud, Alaa Elsetohy, Frederikus Hudi, Jan Christian Blaise Cruz, Steven Halim, Alham Fikri Aji

机构 * MBZUAI ； NAIST ； National University of Singapore（国立新加坡大学） 纠错

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

AI总结 本文提出通过编辑稿而非代码来评估LLM在竞技编程中的问题解决能力，并引入数据集和评估方法，强调区分问题解决与实现的重要性。

AI-assisted JSON Schema Creation and Mapping

基于AI的JSON模式创建与映射

Felix Neubauer, Jürgen Pleiss, Benjamin Uekermann

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

AI总结 本文提出结合大型语言模型与确定性技术的混合方法，用于基于自然语言输入的JSON模式创建、修改和映射，降低非专家在结构化数据建模与集成中的门槛。

Journal ref 2025 ACM/IEEE 28th International Conference on Model Driven Engineering Languages and Systems Companion (MODELS-C), Grand Rapids, MI, USA, 2025, pp. 79-83