代码大模型 / AI 编程

Bridging Online and Offline RL: Contextual Bandit Learning for Multi-Turn Code Generation

弥合在线与离线强化学习：多轮代码生成的上下文老虎机学习

Ziru Chen, Dongdong Chen, Ruinan Jin, Yingbin Liang, Yujia Xie, Huan Sun

机构 * The Ohio State University（俄亥俄州立大学） ； Microsoft（微软） 纠错

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

AI总结 Cobalt通过结合在线和离线强化学习，提出一种新的上下文老虎机学习方法，用于多轮代码生成任务，显著提升了模型性能并缓解了奖励黑客问题。

Scaling Test-Driven Code Generation from Functions to Classes: An Empirical Study

从函数到类的测试驱动代码生成规模化：一项实证研究

Yunhao Liang, Ruixuan Ying, Shiwen Ni, Zhe Cui

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

AI总结 本文提出一种测试驱动代码生成框架，通过迭代方法提升类级代码生成的正确性和可靠性。

Constitutional Spec-Driven Development: Enforcing Security by Construction in AI-Assisted Code Generation

宪法式规范驱动开发：通过构建确保AI辅助代码生成中的安全

Srinivas Rao Marri

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

AI总结 本研究提出宪法规范驱动开发方法，通过在规范层嵌入不可协商的安全原则，有效减少AI生成代码中的安全缺陷，提升开发过程中的安全性。

Comments 15 pages, 2 figures, 5 tables, 11 code listings, 14 references. Includes reference implementation and compliance traceability matrix

Failure-Aware Enhancements for Large Language Model (LLM) Code Generation: An Empirical Study on Decision Framework

面向大语言模型（LLM）代码生成的失败意识增强：决策框架的实证研究

Jianru Shen, Zedong Peng, Lucy Owen

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

AI总结 本文通过实证研究，提出了一种基于失败特征的决策框架，用于指导大语言模型代码生成中的增强策略选择。

Comments Accepted at SANER 2026

HALT: Hallucination Assessment via Log-probs as Time series

HALT：通过log-prob作为时间序列进行幻觉评估

Ahmad Shapiro, Karan Taneja, Ashok Goel

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 HALT通过log-prob时间序列检测幻觉，比Lettuce更高效且兼容专有模型。

Free Draft-and-Verification: Toward Lossless Parallel Decoding for Diffusion Large Language Models

免费草稿与验证：迈向无损并行解码的扩散大语言模型

Shutong Wu, Jiawei Zhang

机构 * Department of Computer Sciences, University of Wisconsin--Madison, Madison, WI（计算机科学系，威斯康星大学麦迪逊分校，麦迪逊，WI） 纠错

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

AI总结 FreeDave是一种专为DLLMs设计的快速解码算法，通过无损并行解码实现高效推理，无需模型修改或额外模块，提升了推理速度而不影响性能。

Can LLMs Do Rocket Science? Exploring the Limits of Complex Reasoning with GTOC 12

大语言模型能做火箭科学吗？通过GTOC 12探索复杂推理的极限

Iñaki del Campo, Pablo Cuervo, Victor Rodriguez-Fernandez, Roberto Armellin, Jack Yarndley

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

AI总结 本研究通过GTOC 12竞赛评估大语言模型在复杂轨道优化任务中的表现，发现其在战略规划上能力显著提升，但在实际执行中存在物理一致性等关键问题。

Comments Extended version of the paper presented at AIAA SciTech 2026 Forum. Includes futher experiments, corrections and new appendix

Journal ref Proceedings of the AIAA SciTech 2026 Forum, January 2026

CodeGuard: Improving LLM Guardrails in CS Education

CodeGuard: 提高计算机科学教育中的LLM防护机制

Nishat Raihan, Noah Erdachew, Jayoti Devi, Joanna C. S. Santos, Marcos Zampieri

机构 * George Mason University（乔治·马歇尔大学） ； University of Oklahoma（俄克拉荷马大学） ； University of Notre Dame（圣约翰斯大学） 纠错

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

AI总结 CodeGuard通过引入新的分类法、数据集和PromptShield模型，有效提升教育AI系统对不安全提示的检测能力，减少有害代码生成，同时保持教育任务性能。

Can Developers rely on LLMs for Secure IaC Development?

开发者能否依赖LLM进行安全的IaC开发？

Ehsan Firouzi, Shardul Bhatt, Mohammad Ghafari

专题命中 代码生成 ：code generation(abstract)

AI总结 研究评估了LLM在安全IaC开发中的能力，发现指导提示能显著提高安全异味检测和生成安全代码的效率，但仍有改进空间。

Cortex: Achieving Low-Latency, Cost-Efficient Remote Data Access For LLM via Semantic-Aware Knowledge Caching

Cortex: 通过语义感知的知识缓存实现低延迟、低成本的远程数据访问用于大语言模型

Chaoyi Ruan, Chao Bi, Kaiwen Zheng, Ziji Shi, Xinyi Wan, Jialin Li

专题命中 代码生成 ：code generation(abstract)

AI总结 Cortex通过语义感知的知识缓存架构，实现LLM代理在远程数据访问中的低延迟和低成本，提升吞吐量和准确性。