代码大模型 / AI 编程

Secure Code Generation via Online Reinforcement Learning with Vulnerability Reward Model

通过在线强化学习与漏洞奖励模型实现安全代码生成

Tianyi Wu, Mingzhe Du, Yue Liu, Chengran Yang, Terry Yue Zhuo, Jiaheng Zhang, See-Kiong Ng

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） 纠错

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。

From Token to Line: Enhancing Code Generation with a Long-Term Perspective

从标记到行：通过长期视角增强代码生成

Tingwei Lu, Yangning Li, Liyuan Wang, Binghuai Lin, Qingsong Lv, Zishan Xu, Hai-Tao Zheng, Yinghui Li, Hong-Gee Kim

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$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation

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

Shijie Wang, Pengfei Li, Yikun Fu, Kaifeng Liu, Fangyuan Li, Yang Liu, Xiaowei Sun, Zonglin Li, Siyao Zhao, Jian Zhao, Kai Tian, Dong Li, Junqi Gao, Yutong Zhang, Yiqun Chen, Yuqiang Li, Zoe Li, Weinan Zhang, Peng Ye, Shuyue Hu, Lei Bai, Bowen Zhou, Kaiyan Zhang, Biqing Qi

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） 纠错

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: Adaptive Multi-Agent Collaboration Through Dynamic Spawning for Long-Horizon Code Generation

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

Igor Costa

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

Surprisal-Guided Selection: Compute-Optimal Test-Time Strategies for Execution-Grounded Code Generation

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

Jarrod Barnes

机构 * Arc Intelligence（Arc智能） 纠错

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: Scaling Large Language Models for Finite-State Reasoning in RTL Code Generation

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

Yuheng Wu, Berk Gokmen, Zhouhua Xie, Peijing Li, Caroline Trippel, Priyanka Raina, Thierry Tambe

机构 * Stanford University（斯坦福大学） 纠错

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: A Code Framework for Reverse Code Generation from Geometric Images Based on Two-Stage Multi-Agent Evolution

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

Zhenyu Wu, Yanxi Long, Jian Li, Hua Huang

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） 纠错

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

LLMs + Security = Trouble

Benjamin Livshits

机构 * Imperial College London（伦敦帝国学院） 纠错

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

Forecasting Developer Environments with GenAI: A Research Perspective

用生成式人工智能预测开发者环境：一种研究视角

Raula Gaikovina Kula, Christoph Treude, Xing Hu, Sebastian Baltes, Earl T. Barr, Kelly Blincoe, Fabio Calefato, Junjie Chen, Marc Cheong, Youmei Fan, Daniel M. German, Marco Gerosa, Jin L. C. Guo, Shinpei Hayashi, Robert Hirschfeld, Reid Holmes, Yintong Huo, Takashi Kobayashi, Michele Lanza, Zhongxin Liu, Olivier Nourry, Nicole Novielli, Denys Poshyvanyk, Shinobu Saito, Kazumasa Shimari, Igor Steinmacher, Mairieli Wessel, Markus Wagner, Annie Vella, Laurie Williams, Xin Xia

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

Compressed code: the hidden effects of quantization and distillation on programming tokens

压缩代码：量化和知识蒸馏对编程令牌的隐藏影响

Viacheslav Siniaev, Iaroslav Chelombitko, Aleksey Komissarov

机构 * National Sun Yat-Sen University（国立中山大学） ； DataSpike ； aglabx ； Neapolis University（尼apolis大学） 纠错

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

Your Reward Function for RL is Your Best PRM for Search: Unifying RL and Search-Based TTS

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

Can Jin, Yang Zhou, Qixin Zhang, Hongwu Peng, Di Zhang, Zihan Dong, Marco Pavone, Ligong Han, Zhang-Wei Hong, Tong Che, Dimitris N. Metaxas

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） 纠错

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: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs

CodeCircuit: 通过归因图推断LLM生成代码的正确性

Yicheng He, Zheng Zhao, Zhou Kaiyu, Bryan Dai, Jie Fu, Yonghui Yang

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） 纠错

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。

The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution

AI编程助手的马太效应：软件演化的隐藏偏见

Fei Gu, Zi Liang, Jiahao MA, Hongzong LI

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。