代码大模型 / AI 编程

Veri-Sure: A Contract-Aware Multi-Agent Framework with Temporal Tracing and Formal Verification for Correct RTL Code Generation

Veri-Sure：一种具有时间追踪和形式验证的合同感知多智能体框架，用于正确RTL代码生成

Jiale Liu, Taiyu Zhou, Tianqi Jiang

机构 * School of Physics and Astronomy, The University of Edinburgh, Edinburgh, UK（物理与天文学院，爱丁堡大学，爱丁堡，英国） ； State Key Laboratory of Analog and Mixed-Signal VLSI, University of Macau, Macau（模拟与混合信号VLSI国家重点实验室，澳门大学，澳门） ； School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, Shenzhen, China（科学与工程学院，香港中文大学（深圳）） 纠错

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

AI总结 Veri-Sure通过合同感知多智能体框架结合时间追踪与形式验证，实现高正确性的RTL代码生成，优于独立LLMs和传统智能体系统。

Evaluating the Impact of Post-Training Quantization on Large Language Models for Code Generation

评估后训练量化对代码生成大语言模型的影响

Alessandro Giagnorio, Antonio Mastropaolo, Saima Afrin, Massimiliano Di Penta, Gabriele Bavota

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

AI总结 本文研究了大语言模型在代码生成中的量化影响，通过更大型的模型和最新量化技术，发现4位精度可显著降低内存占用而不影响性能。

Detecting and Correcting Hallucinations in LLM-Generated Code via Deterministic AST Analysis

通过确定性AST分析检测和纠正LLM生成的代码中的幻觉

Dipin Khati, Daniel Rodriguez-Cardenas, Paul Pantzer, Denys Poshyvanyk

机构 * William & Mary（威廉玛丽大学） 纠错

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

AI总结 本文提出通过确定性AST分析检测并纠正LLM生成代码中的知识冲突幻觉，实现高精度和召回率的自动修复。

Comments Accepted to FORGE 2026

daVinci-Dev: Agent-native Mid-training for Software Engineering

daVinci-Dev：面向软件工程的代理原生中训练

Ji Zeng, Dayuan Fu, Tiantian Mi, Yumin Zhuang, Yaxing Huang, Xuefeng Li, Lyumanshan Ye, Muhang Xie, Qishuo Hua, Zhen Huang, Mohan Jiang, Hanning Wang, Jifan Lin, Yang Xiao, Jie Sun, Yunze Wu, Pengfei Liu

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

AI总结 daVinci-Dev通过代理原生数据合成和中训练方法，在软件工程中实现了更高效的代理能力，优于现有方法。

LLM-Generated Explanations Do Not Suffice for Ultra-Strong Machine Learning

LLM生成的解释不足以实现超强机器学习

Lun Ai, Johannes Langer, Ute Schmid, Stephen Muggleton

机构 * Department of Computing, Imperial College London（帝国理工学院计算系） 纠错

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

AI总结 本研究提出LENS框架，通过神经符号方法生成逻辑程序解释，发现LLM生成的解释在人类学习中效果有限，需结合人类认知约束实现超强机器学习。

Text2Grad: Reinforcement Learning from Natural Language Feedback

Text2Grad：从自然语言反馈中强化学习

Hanyang Wang, Lu Wang, Chaoyun Zhang, Tianjun Mao, Si Qin, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang

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

AI总结 Text2Grad通过将自然语言反馈转化为跨度级梯度，提升语言模型的细粒度对齐和可解释性。

Comments The code for our method is available at https://github.com/microsoft/Text2Grad

Journal ref ICLR 2026

MetaGen: Self-Evolving Roles and Topologies for Multi-Agent LLM Reasoning

MetaGen: 多智能体LLM推理中的自演化角色与拓扑

Yimeng Wang, Jiaxing Zhao, Hongbin Xie, Hexing Ma, Yuzhen Lei, Shuangxue Liu, Xuan Song, Zichen Zhang, Haoran Zhang

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； School of Urban Planning and Design, Peking University（北京大学城市规划与设计学院） 纠错

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

AI总结 MetaGen通过自演化角色和拓扑提升多智能体LLM推理的准确性和效率

"ENERGY STAR" LLM-Enabled Software Engineering Tools

ENERGY STAR LLM赋能的软件工程工具

Himon Thakur, Armin Moin

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

AI总结 本文研究LLM赋能的软件工程工具的能效，通过结合RAG与PETs提升代码生成的质量和效率，验证核心理念并提供未来分析的证明。

Comments CAIN 2026 - 5th International Conference on AI Engineering - Software Engineering for AI

AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development

AI集成开发环境还是自主代理？衡量编码代理对软件开发的影响

Shyam Agarwal, Hao He, Bogdan Vasilescu

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

AI总结 研究探讨了基于LLM的编码代理对软件开发的影响，发现其在提升开发速度方面效果有限，但对软件质量产生持续负面影响，强调了需加强质量保障和选择性部署自主代理的重要性。

Principled Fine-tuning of LLMs from User-Edits: A Medley of Preference, Supervision, and Reward

基于用户修改的LLM原理化微调：偏好、监督与奖励的融合

Dipendra Misra, Aldo Pacchiano, Ta-Chung Chi, Ge Gao

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

AI总结 本文提出了一种基于用户修改的LLM微调方法，通过融合偏好、监督和奖励反馈，提升模型在不同任务中的适应能力。

Comments Accepted at NeurIPS 2025

Early-Stage Prediction of Review Effort in AI-Generated Pull Requests

AI生成拉取请求中早期阶段的审查努力预测

Dao Sy Duy Minh, Huynh Trung Kiet, Nguyen Lam Phu Quy, Pham Phu Hoa, Tran Chi Nguyen, Nguyen Dinh Ha Duong, Truong Bao Tran

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

AI总结 本研究提出一种基于创建时间的电路断开模型，用于预测AI生成拉取请求的高维护需求，通过静态复杂性线索识别高成本贡献，提升维护效率。

Comments 5 pages, 4 figures. Accepted to the 23rd International Conference on Mining Software Repositories (MSR '26)

Journal ref 23rd International Conference on Mining Software Repositories (MSR '26), April 13-14, 2026, Rio de Janeiro, Brazil

A Reconfigurable Framework for AI-FPGA Agent Integration and Acceleration

可重构框架用于AI-FPGA代理集成与加速

Aybars Yunusoglu, Talha Coskun, Hiruna Vishwamith, Murat Isik, I. Can Dikmen

专题命中 软件智能体 ：software agent(abstract)

AI总结 本文提出AI-FPGA代理框架，通过动态分区和硬件卸载实现深度学习推理的高效加速，实验显示在延迟和能效方面优于CPU和GPU。

Comments Accepted at 27th International Symposium on Quality Electronic Design (ISQED'26)

Towards Automated Smart Contract Generation: Evaluation, Benchmarking, and Retrieval-Augmented Repair

迈向自动智能合约生成：评估、基准测试与检索增强修复

Zaoyu Chen, Haoran Qin, Nuo Chen, Xiangyu Zhao, Lei Xue, Xiapu Luo, Xiao-Ming Wu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 本文提出SolBench和RAR框架，通过基于执行的基准测试和检索增强修复方法，提升Solidity智能合约生成的准确性和效率。

Comments Accepted by FSE 2026

PYRREGULAR: A Unified Framework for Irregular Time Series, with Classification Benchmarks

PYRREGULAR: 一种用于不规则时间序列的统一框架，包含分类基准

Francesco Spinnato, Cristiano Landi

专题命中 代码评测 ：repository(abstract)；分类 cs.AI、cs.LG

AI总结 PYRREGULAR提出了一种统一框架和标准化数据集存储库，用于不规则时间序列分类，通过基准测试12种分类器模型，促进跨领域研究与评估。

RATE: Reviewer Profiling and Annotation-free Training for Expertise Ranking in Peer Review Systems

RATE：同行评审系统中基于专家排名的评审员建模与无标注训练

Weicong Liu, Zixuan Yang, Yibo Zhao, Xiang Li

专题命中 代码评测 ：repository(abstract)；分类 cs.CL

AI总结 RATE通过构建基于关键词的评审员资料和弱偏好监督，实现同行评审系统中专家排名的高精度匹配与训练。

Comments 18 pages

A Comprehensive Survey of Deep Learning for Multivariate Time Series Forecasting: A Channel Strategy Perspective

深度学习在多变量时间序列预测中的全面综述：以通道策略视角

Xiangfei Qiu, Hanyin Cheng, Xingjian Wu, Junkai Lu, Jilin Hu, Chenjuan Guo, Christian S. Jensen, Bin Yang

机构 * School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学） ； Department of Computer Science, Aalborg University（计算机科学系，奥尔堡大学） 纠错

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

AI总结 本文从通道策略视角综述了深度学习在多变量时间序列预测中的应用，系统分析了不同策略的优势与局限，并提出了未来研究方向。

A simple algorithm for output range analysis for deep neural networks

用于深度神经网络输出范围分析的简单算法

Helder Rojas, Nilton Rojas, Espinoza J. B., Luis Huamanchumo

机构 * Department of Mathematics Imperial College London（数学系帝国理工学院伦敦） ； Escuela Profesional de Ciencias de la Computación Universidad Nacional de Ingeniería（计算机科学专业国家工程大学） ； Escuela Profesional de Ingeniería Estadística Universidad Nacional de Ingeniería（统计工程专业国家工程大学） 纠错

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

AI总结 本文提出了一种适用于深度神经网络输出范围分析的简单算法，通过模拟退火算法解决高非线性和复杂约束下的估计问题，具有良好的鲁棒性和广泛适用性。