代码大模型 / AI 编程

Environment-Aware Code Generation: How far are We?

环境感知代码生成：我们有多远？

Tongtong Wu, Rongyi Chen, Wenjie Du, Suyu Ma, Guilin Qi, Zhenchang Xing, Shahram Khadivi, Ramesh Periyathambi, Gholamreza Haffari

机构 * Monash University（墨尔本大学） ； Southeast University（东南大学） ； eBay Inc.（eBay公司） 纠错

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

AI总结 本文提出环境感知代码生成的研究，通过引入VersiBCB基准测试，探讨了数据、参数和缓存三个适应轴，揭示了LLMs在环境特定代码生成中的挑战与改进机会。

Comments ICSE 2026

Guidelines to Prompt Large Language Models for Code Generation: An Empirical Characterization

为大型语言模型生成代码的指南：实证分析

Alessandro Midolo, Alessandro Giagnorio, Fiorella Zampetti, Rosalia Tufano, Gabriele Bavota, Massimiliano Di Penta

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

AI总结 本文通过实证分析提出10条提示优化指南，帮助开发者改进代码生成提示，提升LLM辅助软件开发工具的效果。

MeltRTL: Multi-Expert LLMs with Inference-time Intervention for RTL Code Generation

MeltRTL: 多专家LLMs结合推理时干预用于RTL代码生成

Nowfel Mashnoor, Mohammad Akyash, Hadi Kamali, Kimia Azar

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

AI总结 MeltRTL通过多专家注意力和推理时干预提升LLM生成RTL代码的准确性和效率，实现96%的可综合性和60%的功能正确性，无需微调模型。

Assessing Small Language Models for Code Generation: An Empirical Study with Benchmarks

评估小型语言模型用于代码生成：基于基准的实证研究

Md Mahade Hasan, Muhammad Waseem, Kai-Kristian Kemell, Jussi Rasku, Juha Ala-Rantala, Pekka Abrahamsson

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

AI总结 本研究评估了多种小型语言模型在代码生成中的性能，发现紧凑模型在效率与性能间取得平衡，但进一步提升需转向更大模型。

Comments 17 pages, 10 Tables, 57 figures. Includes benchmarks and multilingual evaluation. Submitted to the Journal of Systems and Software

Deferred Commitment Decoding for Diffusion Language Models

延迟承诺解码用于扩散语言模型

Yingte Shu, Yuchuan Tian, Chao Xu, Yunhe Wang, Hanting Chen

机构 * Peking University（北京大学） ； Huawei Technologies（华为技术） 纠错

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

AI总结 本文提出延迟承诺解码方法，通过基于不确定性的策略提升扩散语言模型解码质量和效率，实验显示在多个模型和基准测试中效果显著。

Optimistic Gradient Learning with Hessian Corrections for High-Dimensional Black-Box Optimization

乐观梯度学习与Hessian修正用于高维黑箱优化

Yedidya Kfir, Elad Sarafian, Sarit Kraus, Yoram Louzoun

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

AI总结 本文提出OHGL算法，通过结合乐观梯度学习和高阶梯度学习，提升高维非线性优化性能。

Comments We develop a black-box optimization algorithm that learns gradients with neural models and can be applied to solve non-convex high dimensional real-world problems

Journal ref AAAI2026

Revisiting Software Engineering Education in the Era of Large Language Models: A Curriculum Adaptation and Academic Integrity Framework

重新审视大语言模型时代的软件工程教育：课程适应与学术诚信框架

Mustafa Degerli

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

AI总结 本文提出一个理论框架，分析生成式AI如何改变软件工程能力，并推动教育模式向过程透明度转变，以应对大语言模型时代教育与实践的不匹配问题。

Comments The conclusion part is not complete. The correct and complete paper will not be uploaded

PRISM: A Unified Framework for Post-Training LLMs Without Verifiable Rewards

PRISM: 一种无需可验证奖励的统一后训练LLM框架

Mukesh Ghimire, Aosong Feng, Liwen You, Youzhi Luo, Fang Liu, Xuan Zhu

机构 * Arizona State University（亚利桑那州立大学） ； Amazon Web Services（亚马逊网络服务） 纠错

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

AI总结 PRISM通过结合过程奖励模型与自我确定性，实现无需真实标签的稳定训练和提升LLM测试性能。

Comments Added open-sourced github url

Graph Reasoning Paradigm: Structured and Symbolic Reasoning with Topology-Aware Reinforcement Learning for Large Language Models

图推理范式：基于拓扑感知强化学习的结构化和符号推理用于大语言模型

Runxuan Liu, Xianhao Ou, Xinyan Ma, Jiyuan Wang, Jiafeng Liang, Jiaqi Li, Tao He, Zheng Chu, Rongchuan Mu, Zekun Wang, Baoxin Wang, Dayong Wu, Ming Liu, Shijin Wang, Guoping Hu, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； Tianjin Normal University（天津师范大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 图推理范式通过拓扑感知强化学习实现结构化和符号推理，提升大语言模型的数学推理和代码生成能力。

Challenges & Opportunities with LLM-Assisted Visualization Retargeting

基于大语言模型的可视化重定向挑战与机遇

Luke S. Snyder, Chenglong Wang, Steven M. Drucker

机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文探讨了大语言模型在可视化重定向中的应用挑战与机遇，通过对比两种方法评估LLM在代码生成和适应中的性能及局限性。

Comments 5 pages, 3 figures, 1 table

From RTL to Prompt Coding: Empowering the Next Generation of Chip Designers through LLMs

从RTL到提示编码：通过LLMs赋能下一代芯片设计师

Lukas Krupp, Matthew Venn, Norbert Wehn

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出基于LLM的芯片设计教育平台，帮助初学者通过RTL代码生成和提示编码实现可tapeout的芯片设计，展示了LLM在芯片设计教育中的应用效果。

Comments Accepted for presentation at the 2026 IEEE International Symposium on Circuits and Systems (ISCAS 2026). Proceedings to be included in IEEE Xplore

Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey

大语言模型在软件工程中的问题解决进展与前沿：一项全面的调查

Caihua Li, Lianghong Guo, Yanlin Wang, Daya Guo, Wei Tao, Zhenyu Shan, Mingwei Liu, Jiachi Chen, Haoyu Song, Duyu Tang, Hongyu Zhang, Zibin Zheng

机构 * Sun Yat-sen University（中山大学） ； Hangzhou Normal University（杭州师范大学） ； Zhejiang University（浙江大学） ； Huawei Technologies Co, Ltd（华为技术有限公司） ； Chongqing University（重庆大学） 纠错

专题命中 软件智能体 ：repository(abstract)；coding agent(abstract)；分类 cs.SE、cs.CL

AI总结 本文全面调查了大语言模型在软件工程中问题解决的进展与前沿，分析了数据构建、方法和技术挑战，并提供了开源资源。

Comments 26 pages, 4 figures, 5 tables

SWE-Tester: Training Open-Source LLMs for Issue Reproduction in Real-World Repositories

SWE-Tester: 培训开源大语言模型以在真实世界仓库中重现问题

Aditya Bharat Soni, Rajat Ghosh, Vaishnavi Bhargava, Valerie Chen, Debojyoti Dutta

专题命中 软件智能体 ：coding agent(abstract)；分类 cs.SE、cs.LG

AI总结 SWE-Tester通过训练开源大语言模型生成问题重现测试，提高了在真实世界仓库中解决软件问题的效率和准确性。

VulnResolver: A Hybrid Agent Framework for LLM-Based Automated Vulnerability Issue Resolution

VulnResolver: 一种基于大语言模型的混合代理框架用于LLM驱动的自动漏洞问题解决

Mingming Zhang, Xu Wang, Jian Zhang, Xiangxin Meng, Jiayi Zhang, Chunming Hu

专题命中 软件智能体 ：repository(abstract)；分类 cs.SE

AI总结 VulnResolver是一种基于大语言模型的混合代理框架，通过上下文预收集和安全属性分析代理，实现自动化漏洞问题的高效解决。

On Autopilot? An Empirical Study of Human-AI Teaming and Review Practices in Open Source

自动驾驶？开源软件中人类与AI协作及审查实践的实证研究

Haoyu Gao, Peerachai Banyongrakkul, Hao Guan, Mansooreh Zahedi, Christoph Treude

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

AI总结 本研究通过分析开源项目中AI辅助PR的互动模式，发现非所有权贡献者提交的AI共同撰写的PR被快速合并且反馈极少，揭示了AI在软件工程中的协作与审查实践问题。

Comments accepted as MSR short paper

From Everything-is-a-File to Files-Are-All-You-Need: How Unix Philosophy Informs the Design of Agentic AI Systems

从『万物皆文件』到『文件即一切』：Unix哲学如何影响代理AI系统的设计

Deepak Babu Piskala

专题命中 软件智能体 ：software agent(abstract)；分类 cs.SE

AI总结 本文探讨了Unix哲学中的『万物皆文件』理念如何影响代理AI系统的设计，通过统一文件和代码抽象，提升系统维护性、可审计性和操作稳定性。

Learner-Tailored Program Repair: A Solution Generator with Iterative Edit-Driven Retrieval Enhancement

面向学习者的程序修复：一种具有迭代编辑驱动检索增强的解决方案生成器

Zhenlong Dai, Zhuoluo Zhao, Hengning Wang, Xiu Tang, Sai Wu, Chang Yao, Zhipeng Gao, Jingyuan Chen

专题命中 程序修复 ：program repair(title,abstract)；分类 cs.SE、cs.CL、cs.AI

AI总结 本文提出面向学习者的程序修复任务及LSGEN框架，通过迭代编辑驱动检索增强方法提升程序修复效果，实验验证其在编程辅导中的有效性。

Comments Accepted by AAAI2026 main track

Leveraging Mutation Analysis for LLM-based Repair of Quantum Programs

利用突变分析改进基于大语言模型的量子程序修复

Chihiro Yoshida, Yuta Ishimoto, Olivier Nourry, Masanari Kondo, Makoto Matsushita, Yasutaka Kamei, Yoshiki Higo

专题命中 程序修复 ：program repair(abstract)；分类 cs.SE

AI总结 本文提出利用突变分析提升基于大语言模型的量子程序修复效果，通过设计不同提示配置实验，发现突变分析能显著提高修复成功率和解释质量。

Comments 6 pages, Accepted at SANER-ERA 2026

SpecMap: Hierarchical LLM Agent for Datasheet-to-Code Traceability Link Recovery in Systems Engineering

SpecMap：用于系统工程中datasheet到代码可追溯性链接恢复的分层LLM代理

Vedant Nipane, Pulkit Agrawal, Amit Singh

机构 * H2LooP.ai（H2LooP人工智能研究院） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.SE、cs.AI

AI总结 SpecMap通过分层LLM代理实现嵌入式系统datasheet到代码的可追溯性链接恢复，提升映射精度与效率，支持自动化分析与下游应用。

Vision Language Models for Optimization-Driven Intent Processing in Autonomous Networks

面向自主网络的基于视觉语言模型的优化驱动意图处理

Tasnim Ahmed, Yifan Zhu, Salimur Choudhury

机构 * School of Computing, Queen's University, Ontario, Canada（计算学院，女王大学，安大略，加拿大） 纠错

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

AI总结 本文提出IntentOpt基准测试，评估不同视觉语言模型在生成网络优化代码中的性能，发现视觉参数提取和程序化思维提示显著降低执行成功率，开源模型表现低于闭源模型。

Comments Accepted for presentation at The IEEE International Conference on Communications (ICC) 2026

Beyond Blind Spots: Analytic Hints for Mitigating LLM-Based Evaluation Pitfalls

超越盲区：用于缓解基于LLM评估缺陷的分析提示

Ora Nova Fandina, Eitan Farchi, Shmulik Froimovich, Raviv Gal, Wesam Ibraheem, Rami Katan, Alice Podolsky

机构 * Ora Nova Fandina（奥拉诺瓦·法丁纳） ； Eitan Farchi（埃itan·法奇） ； Shmulik Froimovich（什mulik·弗罗伊米奇） ； Raviv Gal（拉维夫·加尔） ； Wesam Ibraheem（韦萨姆·伊布拉希姆） ； Rami Katan（拉米·卡坦） ； Alice Podolsky（艾丽斯·波德洛斯基） 纠错

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

AI总结 本文提出了一种分析提示方法，通过结合LLM和分析检查器，提高代码评估的可靠性，减少LLM的盲区。

Numina-Lean-Agent: An Open and General Agentic Reasoning System for Formal Mathematics

Numina-Lean-Agent: 一种面向形式数学的开放且通用的代理推理系统

Junqi Liu, Zihao Zhou, Zekai Zhu, Marco Dos Santos, Weikun He, Jiawei Liu, Ran Wang, Yunzhou Xie, Junqiao Zhao, Qiufeng Wang, Lihong Zhi, Jia Li, Wenda Li

机构 * Academy of Mathematics and Systems Science, University of Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Tongji University（同济大学） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Liverpool（利物浦大学） ； Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

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

AI总结 Numina-Lean-Agent通过通用编码代理实现形式数学推理，解决Putnam 2025全部问题并成功形式化Brascamp-Lieb定理。

An efficient penalty decomposition algorithm for minimization over sparse symmetric sets

一种用于稀疏对称集最小化的高效惩罚分解算法

Ahmad Mousavi, Morteza Kimiaei, Saman Babaie-Kafaki, Vyacheslav Kungurtsev

专题命中 代码评测 ：repository(abstract)

AI总结 本文提出了一种高效惩罚分解算法，用于在稀疏对称集上最小化非凸函数，通过两块分解方案和改进的线搜索策略，提升了算法的鲁棒性和效率。

PlotGen-Bench: Evaluating VLMs on Generating Visualization Code from Diverse Plots across Multiple Libraries

PlotGen-Bench: 评估VLMs在从多样化图表生成可视化代码的能力 across 多个库

Yi Zhao, Zhen Yang, Shuaiqi Duan, Wenmeng Yu, Zhe Su, Jibing Gong, Jie Tang

专题命中 代码评测 ：code generation(abstract)

AI总结 PlotGen-Bench评估VLMs在多库场景下生成可视化代码的能力，发现开源模型在视觉和语义一致性上表现欠佳，需进一步提升。

Comments 30 pages, 27 figures

ArchAgent: Scalable Legacy Software Architecture Recovery with LLMs

ArchAgent: 基于LLM的可扩展遗留软件架构恢复

Rusheng Pan, Bingcheng Mao, Tianyi Ma, Zhenhua Ling

机构 * HiThink Research（慧思研究） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 ArchAgent通过结合静态分析、自适应分段和LLM合成，实现大规模遗留软件架构的高效恢复与多视图业务对齐。

Comments to be published in ICASSP 2026

Undesirable Memorization in Large Language Models: A Survey

大语言模型中的不良记忆现象：综述

Ali Satvaty, Suzan Verberne, Fatih Turkmen

机构 * University of Groningen（Groningen大学） ； Leiden University（莱顿大学） 纠错

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

AI总结 本文综述了大语言模型中记忆化现象的文献，探讨了其分类、度量方法、成因及缓解策略，并提出了未来研究方向。

Image-to-Video Transfer Learning based on Image-Language Foundation Models: A Comprehensive Survey

基于图像-语言基础模型的图像到视频迁移学习：全面综述

Jinxuan Li, Chaolei Tan, Haoxuan Chen, Jianxin Ma, Jian-Fang Hu, Jianhuang Lai, Wei-Shi Zheng

机构 * School of Computer Science and Engineering, Sun Yat-sen University（计算机科学与工程学院，中山大学） 纠错

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

AI总结 本文综述了基于图像-语言基础模型的图像到视频迁移学习，系统分类了现有技术并分析了其在视频-文本任务中的应用与挑战。

Comments Updated version, github repository is available at https://github.com/YuriPreisdent/awesome-image-to-video-transfer

Governance Matters: Lessons from Restructuring the data.table OSS Project

治理至关重要：来自重新构建 data.table 开源项目的经验

Pedro Oliveira, Doris Amoakohene, Toby Hocking, Marco Gerosa, Igor Steinmacher

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

AI总结 data.table项目通过社区主导的治理改革，显著提升了贡献者招募、拉取请求解决效率和贡献者保留率，为OSS治理改进提供了实践经验。

Comments ICSME 2025

CausationEntropy: Pythonic Optimal Causation Entropy

Kevin Slote, Jeremie Fish, Erik Bollt

机构 * Center of Complex Systems Science（复杂系统科学中心） ； Clarkson University（克林顿大学） 纠错

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

Cloud-based digitization workflow with rich metadata acquisition for cultural heritage objects

基于云的数字化工作流程与丰富元数据采集用于文化遗产对象

Krzysztof Kutt, Luiz do Valle Miranda, Jakub Gomułka, Grzegorz J. Nalepa

机构 * Department of Human-Centered Artificial Intelligence, Institute of Applied Computer Science, Faculty of Physics, Astronomy and Applied Computer Science, Jagiellonian University（以人为本的人工智能系、应用计算机科学研究所、物理、天文学和应用计算机科学学院，雅盖隆大学） ； Faculty of Humanities, AGH University of Krakow（人文学院，克拉科夫AGH大学） 纠错

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

AI总结 该研究提出了一种基于云的数字化工作流程，利用微软365等技术实现高精度元数据采集，适用于文化遗产对象的数字化与知识图谱构建。

Comments 24 pages, 4 figures; submitted to The Journal of Academic Librarianship