AI 大模型
代码生成、软件工程智能体、程序修复、测试生成和开发者工具。
通过在线强化学习与漏洞奖励模型实现安全代码生成
机构 * National University of Singapore（国立新加坡大学） ； Singapore Management University（新加坡管理学院） ； Nanyang Technological University（南洋理工大学） ； Monash University（墨尔本大学）
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.CL、cs.AI
AI总结 SecCoderX通过在线强化学习与漏洞奖励模型提升代码安全性，实现功能与安全性的平衡。
从标记到行：通过长期视角增强代码生成
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.CL
AI总结 本文提出LSR-MCTS算法，通过MCTS逐行生成代码并引入自我修正机制，提升代码生成质量与多样性。
MARTI-MARS$^2$：通过强化学习实现多智能体自搜索的扩展用于代码生成
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Automation（自动化研究所） ； Fudan University（复旦大学） ； High School Affiliated to Fudan University（复旦大学附属高中） ； Renmin University of China（中国人民大学） ； University of Washington（华盛顿大学）
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.LG
AI总结 MARTI-MARS2通过多智能体强化学习实现代码生成的扩展，突破单智能体限制，提升性能和多样性。
AgentSpawn: 通过动态生成实现长周期代码生成的自适应多智能体协作
专题命中 代码生成 ：code generation(title,abstract)；分类 cs.SE
AI总结 AgentSpawn通过动态生成实现长周期代码生成的自适应多智能体协作，提升完成率并降低内存开销。
Comments 18 pages, 4 figures, 6 tables
惊讶引导的选择：为执行导向代码生成的计算最优测试时间策略
机构 * Arc Intelligence（Arc智能）
专题命中 代码生成 ：code generation(title)；分类 cs.AI、cs.LG
AI总结 本文提出惊讶引导选择策略，通过提升样本多样性和智能选择，优化执行导向代码生成任务的测试时间策略，实现计算最优的高成功率。
Comments 13 pages, 7 figures, 11 tables. Preprint. Code: https://github.com/jbarnes850/test-time-training
LLM-FSM: 通过大规模语言模型扩展有限状态推理用于RTL代码生成
机构 * Stanford University（斯坦福大学）
专题命中 代码生成 ：code generation(title)；分类 cs.CL、cs.AI
AI总结 LLM-FSM通过大规模语言模型评估有限状态机在RTL代码生成中的表现，展示了模型在复杂性增加时的准确性下降及训练和测试扩展的影响。
Geo-Code: 一种基于双阶段多智能体演化的几何图像反向代码生成框架
机构 * School of Artificial Intelligence, Beijing Normal University, Beijing, China（人工智能学院，北京师范大学，北京，中国）
专题命中 代码生成 ：code generation(title)；分类 cs.AI
AI总结 Geo-Code提出一种基于双阶段多智能体演化的几何图像反向代码生成框架，通过像素级锚定和度量驱动的代码演化提升几何重建精度和视觉一致性。
Comments ICML2026
机构 * Imperial College London（伦敦帝国学院）
专题命中 代码生成 ：code generation(abstract)；code model(abstract)；分类 cs.SE、cs.AI
用生成式人工智能预测开发者环境：一种研究视角
专题命中 代码生成 ：code generation(abstract)；program repair(abstract)；分类 cs.SE
AI总结 本文探讨了生成式人工智能对集成开发环境的影响，通过专家讨论提出四个研究主题，旨在探索GenAI在软件工程中的应用与挑战。
Comments IDE Workshop
压缩代码：量化和知识蒸馏对编程令牌的隐藏影响
机构 * National Sun Yat-Sen University（国立中山大学） ； DataSpike ； aglabx ； Neapolis University（尼apolis大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE、cs.CL、cs.LG
AI总结 本文研究了量化和知识蒸馏对编程令牌的影响，通过分析令牌表示揭示了代码生成质量的优化方法和关键因素。
Comments 18 pages, 1 figure and 6 tables
你的强化学习奖励函数是你的最佳搜索PRM：统一强化学习与基于搜索的文本生成
机构 * Rutgers University（新泽西州立大学） ； Nanyang Technological University（南洋理工大学） ； University of Connecticut（康涅狄格大学） ； Fudan University（复旦大学） ； NVIDIA Research（NVIDIA研究） ； Red Hat AI Innovation（红帽AI创新） ； MIT-IBM Watson AI Lab（MIT-IBM沃森AI实验室） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出AIRL-S，通过强化学习与搜索技术的统一，利用奖励函数直接学习动态PRM，提升推理链扩展和跨任务泛化能力，实验显示性能提升9%并优于基线PRM。
CodeCircuit: 通过归因图推断LLM生成代码的正确性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； IQuest Research（IQuest研究）
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE、cs.AI
AI总结 CodeCircuit通过归因图分析LLM内部结构，推断生成代码的正确性，验证内部动态信号的预测能力。
AI编程助手的马太效应：软件演化的隐藏偏见
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文研究了AI编程助手对软件生态系统的影响，发现主流语言和框架因数据丰富而获得更优支持，揭示了软件演化的隐藏偏见。
ProjDevBench: 从端到端项目开发角度评估AI编程代理
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Beijing Institute of Technology, Beijing, China（北京理工大学） ； University of California, Merced, CA, USA（加州大学默塞德分校） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院）
专题命中 软件智能体 ：coding agent(title,abstract)；分类 cs.SE、cs.AI
AI总结 ProjDevBench从端到端项目开发角度评估AI编程代理，通过系统架构设计、功能正确性和迭代优化三个维度，评估六种基于不同LLM的代理，发现其在复杂系统设计和资源管理方面存在不足。
分层知识注入以提高基于LLM的程序修复
专题命中 程序修复 ：program repair(title,abstract)；repository(abstract)；分类 cs.SE
AI总结 本文提出分层知识注入框架，通过逐步提供结构化上下文提高LLM在程序修复中的表现，实现79%的修复率，展示不同bug类型对上下文层次的需求差异。
Comments Accepted at IEEE/ACM Automated Software Engineering (ASE) 2025 Conference
Journal ref Proceedings of the 40th IEEE/ACM International Conference on Automated Software Engineering (ASE), 2025, pp. 1440-1452
基于规范的自动化程序修复
专题命中 程序修复 ：program repair(title,abstract)；分类 cs.SE
AI总结 VibeRepair通过行为规范修复替代传统代码编辑，提升自动化程序修复的准确性和泛化能力。
将测试与证明结合以提升软件验证
专题命中 测试生成 ：program repair(abstract)；分类 cs.SE
AI总结 通过结合测试与证明技术，利用设计契约和反例生成，提升软件验证的质量与效率。
弥合知识鸿沟：在推理时获取不熟悉编程语言以完成编码任务
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； National Institute of Healthcare Data Science, Nanjing University, China（健康数据科学国家研究院，南京大学，中国）
专题命中 代码评测 ：code generation(abstract)；program repair(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出ILA-agent框架，通过推理时动态交互获取不熟悉编程语言，提升编码任务性能。
基于注意力机制的深度学习在早期帕金森病检测中的应用：使用表格化生物医学数据
机构 * African Institute for Mathematical Sciences, Kigali, Rwanda（非洲数学科学研究所，基加利，刚果（金）） ； Department of Data and Information Science, University of Ibadan, Oyo State, Nigeria（数据与信息科学系，伊巴丹大学，奥约州，尼日利亚） ； Department of Computer Science and Information Systems, University of Limerick, Castletroy, V94 T9PX, Limerick, Ireland（计算机科学与信息系统系，利默里克大学，卡斯利特罗伊，爱尔兰）
专题命中 代码评测 ：repository(abstract)；分类 cs.LG
AI总结 本文提出基于注意力机制的深度学习模型，用于早期帕金森病检测，通过表格化生物医学数据实现高精度分类。
HuggingR$^{4}$: 一种用于发现最优模型伙伴的渐进推理框架
机构 * Zhejiang University, Hangzhou, China（浙江大学）
专题命中 代码评测 ：repository(abstract)；分类 cs.AI
AI总结 HuggingR$^4$通过渐进推理框架提升模型选择效率，实现更高的可行性与合理性，同时降低token消耗。
Comments 21 pages, 3 figures
构建第一人称程序化AI助手：方法、基准和挑战
机构 * Department of EEE（电子工程系） ； The Hong Kong Polytechnic University（香港理工大学） ； RayNeo ； Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学）
专题命中 代码评测 ：repository(abstract)
AI总结 本文提出第一人称程序化AI助手，探讨其核心任务、赋能维度及挑战，通过实验评估现有方法并指明未来研究方向。
Comments Under peer-review
Prometheus：面向仓库级问题解决的长周期代码库导航
专题命中 仓库级理解 ：repository(title,abstract)；coding agent(abstract)；分类 cs.SE
AI总结 Prometheus通过统一知识图谱和增强内存引擎，实现长周期代码库导航，提升仓库级问题解决的效率与准确性。
通过仓库记忆提升代码定位
专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.SE、cs.CL
AI总结 通过利用仓库提交历史增强语言代理的记忆，提升代码定位性能，更接近人类开发者经验。
Comments ICLR 2026
aiXcoder-7B-v2: 训练 LLMs 完全利用仓库级代码补全中的长上下文
专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.SE
AI总结 aiXcoder-7B-v2通过COLA方法提升仓库级代码补全的长上下文利用能力
Comments Camera-ready version for ASE2025
MOOT: 一个包含众多多目标优化任务的仓库
专题命中 仓库级理解 ：repository(title,abstract)；分类 cs.SE
AI总结 MOOT是一个包含120多个多目标优化任务的仓库，旨在为软件工程中的多目标优化研究提供基础设施和案例研究支持。
Comments To be published in MSR 2026
多语言和多仓库微服务项目的分布式架构重建
专题命中 仓库级理解 ：repository(title)；分类 cs.SE
AI总结 本文提出了一种支持多仓库环境的分布式架构重建框架，通过技术特定的提取器模块实现静态架构重建，以应对微服务项目中快速演变带来的文档维护挑战。
ModARO：分布式微服务代码库架构重建的模块化方法
专题命中 仓库级理解 ：repository(abstract)；分类 cs.SE
AI总结 ModARO通过模块化方法实现微服务架构重建，支持跨项目复用，提升架构分析的灵活性和实用性。
GCN-MPPR: 通过基于图 motif 的个性化 PageRank 增强消息传递神经网络的信息传播
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Key Laboratory of Big Data Management and Analytics (Liaoning Province), Northeastern University（东北大学大数据管理与分析重点实验室） ； The Department of Computer Science, Aalborg University（奥尔堡大学计算机科学系） ； College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学院生物信息工程学院）
专题命中 仓库级理解 ：repository(abstract)；分类 cs.AI
AI总结 GCN-MPPR通过基于motif的个性化PageRank改进信息传播，提升GCN在精度、稳定性和效率上的表现。
TextVQA挑战2021获胜团队Mia：基于预训练序列到序列模型的视觉-语言表示学习
机构 * SFE Deeplearning Platform Ping An Health Technology Beijing China（平安健康科技北京分公司） ； Peking University Beijing China（北京大学） ； Visual Computing Group Ping An Property & Casualty Insurance Company Shenzhen China（平安财产保险股份有限公司视觉计算组） ； Jinan University Guangzhou China（暨南大学） ； Central University of Finance and Economics Beijing China（中央财经大学） ； Ping An Health Cloud Company Limited Shenzhen China（平安健康云有限公司） ； Ping An International Smart City Technology Co Ltd Shenzhen China（平安国际智慧城市科技有限公司）
专题命中 仓库级理解 ：repository(abstract)
AI总结 TextVQA挑战2021中，Mia团队利用预训练序列到序列模型T5，通过融合多模态信息和优化预训练任务，提升视觉-语言推理能力。
Comments Winner of TextVQA 2021
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈