代码大模型 / AI 编程

Benchmarking Large Language Models for ABAP Code Generation: An Empirical Study on Iterative Improvement by Compiler Feedback

对大型语言模型在ABAP代码生成中的性能评估：一项通过编译器反馈实现迭代改进的实证研究

Stephan Wallraven, Tim Köhne, Hartmut Westenberger, Andreas Moser

机构 * Technische Hochschule Köln（科隆技术大学） ； CONSILIO GmbH（CONSILIO公司） 纠错

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

AI总结 本研究通过实证分析评估了大型语言模型在生成ABAP代码中的性能，探讨了编译器反馈对迭代改进的影响，并揭示了不同模型在任务类型上的表现差异。

Comments 20 pages, 10 figures, Author: Hartmut Westenberger (ORCID: 0009-0009-9063-8318)

Protocode: Prototype-Driven Interpretability for Code Generation in LLMs

Protocode: 为LLMs中的代码生成提供原型驱动的可解释性

Krishna Vamshi Bodla, Haizhao Yang

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 纠错

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

AI总结 Protocode通过原型驱动的ICL采样提升代码生成的可解释性和性能。

Teaching Spell Checkers to Teach: Pedagogical Program Synthesis for Interactive Learning

通过教学让拼写检查器教学：面向互动学习的教学程序合成

Momin N. Siddiqui, Vincent Cavez, Sahana Rangasrinivasan, Abbie Olszewski, Srirangaraj Setlur, Maneesh Agrawala, Hari Subramonyam

专题命中 代码生成 ：program synthesis(title,abstract)

AI总结 SPIRE是一种通过拼写错误引导学习者探索语言知识的交互式拼写检查系统，结合教学程序合成技术提升写作学习效果。

Comments IUI 2026

On LLMs' Internal Representation of Code Correctness

关于LLMs内部对代码正确性的表示

Francisco Ribeiro, Claudio Spiess, Prem Devanbu, Sarah Nadi

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

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

AI总结 本文研究了LLMs内部对代码正确性的表示，通过对比隐藏状态识别正确性表示，并展示其在提升代码生成质量与可靠性方面的贡献。

Comments Accepted for ICSE'26

Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering

令牌经济学：量化令牌在代理软件工程中的使用位置

Mohamad Salim, Jasmine Latendresse, SayedHassan Khatoonabadi, Emad Shihab

机构 * Data-driven Analysis of Software (DAS) Lab Concordia University Montreal Canada ； Data-driven Analysis of Software (DAS) Lab Concordia University 纠错

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

AI总结 研究通过分析LLM-MA系统在软件开发生命周期中的令牌消耗，发现代码审查阶段消耗最大，提出优化代理协作效率的方法。

Beyond Functional Correctness: Exploring Hallucinations in LLM-Generated Code

超越功能正确性：探索LLM生成代码中的幻觉

Fang Liu, Yang Liu, Lin Shi, Zhen Yang, Li Zhang, Xiaoli Lian, Zhongqi Li, Yuchi Ma

机构 * 2 State Key Laboratory of Complex \& Critical Software Environment (SKLCCSE) School of Computer Science ； Engineering, Beihang University, Beijing, China ； 3 School of Software, Beihang University, Beijing, China ； 4 School of Computer Science ； Technology, Shandong University, Qingdao, China ； 5 Huawei Cloud Computing Technologies Co., Ltd, China 纠错

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

AI总结 本文探讨了LLM生成代码中的幻觉问题，通过分类和分析建立全面的幻觉分类体系，并提出轻量级的幻觉缓解方法。

Comments Accepted by Transactions on Software Engineering (TSE)

How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework

如何通过将编码化的人类专家领域知识与大语言模型结合来构建AI代理？一种软件工程框架

Choro Ulan uulu, Mikhail Kulyabin, Iris Fuhrmann, Jan Joosten, Nuno Miguel Martins Pacheco, Filippos Petridis, Rebecca Johnson, Jan Bosch, Helena Holmström Olsson

机构 * Department of Computer Science and Engineering, Chalmers University of Technology（计算机科学与工程系，查尔姆斯理工大学） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） ； Department of Computer Science and Media Technology, Malmö University（计算机科学与媒体技术系，马尔默大学） 纠错

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

AI总结 本文提出一种软件工程框架，通过增强大语言模型与编码化专家知识，构建能自主生成可视化内容的AI代理，实现非专家在专业领域内达到专家水平的成果。

LLM Security and Safety: Insights from Homotopy-Inspired Prompt Obfuscation

大语言模型的安全性与安全性：基于同调启发的提示混淆洞察

Luis Lazo, Hamed Jelodar, Roozbeh Razavi-Far

机构 * Canadian Institute for Cybersecurity（加拿大网络安全研究所） ； Faculty of Computer Science（计算机科学学院） ； University of New Brunswick（新 Brunswick大学） 纠错

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

AI总结 本文提出基于同调启发的提示混淆框架，通过系统实验揭示LLM安全漏洞，强调对更强大防御机制和鲁棒性改进的必要性。