代码大模型 / AI 编程

Code2World: A GUI World Model via Renderable Code Generation

Code2World: 通过可渲染代码生成实现一个GUI世界模型

Yuhao Zheng, Li'an Zhong, Yi Wang, Rui Dai, Kaikui Liu, Xiangxiang Chu, Linyuan Lv, Philip Torr, Kevin Qinghong Lin

机构 * University of Science（科学大学） ； AMAP, Alibaba Group（AMAP，阿里巴巴集团） ； University of Oxford（牛津大学） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 Code2World通过可渲染代码生成实现高保真UI预测，提升Android导航性能

Comments github: https://github.com/AMAP-ML/Code2World project page: https://amap-ml.github.io/Code2World/

A Small-Scale System for Autoregressive Program Synthesis Enabling Controlled Experimentation

一个小型系统用于自回归程序合成，以实现受控实验

Russ Webb, Jason Ramapuram

机构 * Apple（苹果公司） 纠错

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

AI总结 Cadmus系统通过低成本模型实现复杂程序合成任务，展示其在整数算术任务中的优越性能并揭示大模型的局限性。

THOR: Tool-Integrated Hierarchical Optimization via RL for Mathematical Reasoning

THOR：通过强化学习进行工具集成的分层优化以实现数学推理

Qikai Chang, Zhenrong Zhang, Pengfei Hu, Jun Du, Jiefeng Ma, Yicheng Pan, Jianshu Zhang, Quan Liu, Jianqing Gao

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） 纠错

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

AI总结 THOR通过强化学习实现工具集成的分层优化，提升数学推理和代码生成能力。

Comments 22 pages, 13 figures, ICLR 2026

Quantum-Audit: Evaluating the Reasoning Limits of LLMs on Quantum Computing

量子审计：评估大语言模型在量子计算上的推理极限

Mohamed Afane, Kayla Laufer, Wenqi Wei, Ying Mao, Junaid Farooq, Ying Wang, Juntao Chen

机构 * Fordham University（福特汉姆大学） ； University of Michigan-Dearborn（密歇根大学-迪尔本分校） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

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

AI总结 Quantum-Audit通过2700个问题评估大语言模型在量子计算概念理解上的推理能力，发现顶级模型在专家问题上表现不如LLM生成问题，且在高级主题上准确率显著下降。

Comments 18 pages

Sharpen the Spec, Cut the Code: A Case for Generative File System with SYSSPEC

细化规范，削减代码：一种生成性文件系统案例

Qingyuan Liu, Mo Zou, Hengbin Zhang, Dong Du, Yubin Xia, Haibo Chen

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

AI总结 本文提出SYSSPEC框架，通过生成性文件系统利用LLM生成和演变文件系统，展示SPECFS在并发性和正确性上的有效性。

The Devil behind the mask: An emergent safety vulnerability of Diffusion LLMs

面具背后的魔鬼：扩散语言模型的新兴安全漏洞

Zichen Wen, Jiashu Qu, Zhaorun Chen, Xiaoya Lu, Dongrui Liu, Zhiyuan Liu, Ruixi Wu, Yicun Yang, Xiangqi Jin, Haoyun Xu, Xuyang Liu, Weijia Li, Chaochao Lu, Jing Shao, Conghui He, Linfeng Zhang

机构 * EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Chicago（芝加哥大学） 纠错

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

AI总结 DIJA揭示了扩散语言模型的安全漏洞，通过构造对抗性提示利用双向建模和并行解码机制，使有害内容在对齐训练模型中得以生成。

Comments Accepted by ICLR 2026