代码大模型 / AI 编程

LLM-Driven Corrective Robot Operation Code Generation with Static Text-Based Simulation

基于大型语言模型的纠正性机器人操作代码生成与静态文本模拟

Wenhao Wang, Yi Rong, Yanyan Li, Long Jiao, Jiawei Yuan

机构 * Department of CIS, University of Massachusetts Dartmouth（大学马萨诸塞州达特茅斯分校计算机信息科学系） ； Department of CSIS, California State University San Marcos（加州州立大学桑马科斯分校计算机科学与信息系统系） 纠错

专题命中 代码生成 ：code generation(title,abstract)

AI总结 本文提出了一种基于LLM的纠正性机器人操作代码生成框架，利用静态文本模拟提升代码生成的可靠性，无需依赖动态执行环境。

Comments 8 pages, 2 figures

ID-LoRA: Efficient Low-Rank Adaptation Inspired by Matrix Interpolative Decomposition

ID-LoRA: 基于矩阵插值分解的高效低秩适应

Xindian Ma, Rundong Kong, Peng Zhang, Ruoxiang Huang, Yongyu Jiang

机构 * Tianjin University（天津大学） 纠错

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

AI总结 ID-LoRA通过基于矩阵插值分解的低秩适应方法，在减少可训练参数的同时保持模型容量，优于现有PEFT技术。

Learning to Solve Complex Problems via Dataset Decomposition

通过数据集分解学习解决复杂问题

Wanru Zhao, Lucas Caccia, Zhengyan Shi, Minseon Kim, Weijia Xu, Alessandro Sordoni

机构 * University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

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

AI总结 通过数据集分解和课程生成方法，提升模型解决复杂问题的能力

Comments NeurIPS 2025

Automated Generation of Microfluidic Netlists using Large Language Models

利用大语言模型自动化生成微流体网表

Jasper Davidson, Skylar Stockham, Allen Boston, Ashton Snelgrove, Valerio Tenace, Pierre-Emmanuel Gaillardon

机构 * Department of Electrical and Computer Engineering, University of Utah（电气与计算机工程系，犹他大学） ； Primis AI, Inc.（Primis AI 公司） 纠错

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

AI总结 本文利用大语言模型自动化生成微流体器件的结构网表，实现了从自然语言描述到Verilog代码的转换，并在典型微流体设计中验证了其有效性。

MigrateLib: a tool for end-to-end Python library migration

MigrateLib: 一种用于端到端Python库迁移的工具

Mohayeminul Islam, Ajay Kumar Jha, May Mahmoud, Sarah Nadi

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

AI总结 MigrateLib利用大型语言模型、静态分析和动态分析，实现端到端的Python库迁移，能准确迁移32%的迁移任务。

Comments arXiv admin note: text overlap with arXiv:2504.13272

A Survey on the Optimization of Large Language Model-based Agents

基于大语言模型代理的优化综述

Shangheng Du, Jiabao Zhao, Jinxin Shi, Zhentao Xie, Xin Jiang, Yanhong Bai, Liang He

机构 * Shanghai Institute of Artificial Intelligence for Education, East China Normal University（上海人工智能教育研究院，东华大学） ； School of Computer Science and Technology, East China Normal University（计算机科学与技术学院，东华大学） ； School of Computer Science and Technology, Donghua University（计算机科学与技术学院，东华大学） 纠错

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

AI总结 本文综述了基于大语言模型的代理优化方法，分类讨论参数驱动与参数无关策略，分析关键技术和挑战，提出未来研究方向。

Comments Published in ACM Computing Surveys, Vol. 58, No. 9, Article 223, July 2026

Journal ref ACM Computing Surveys 58(9), Article 223, July 2026

From Performance to Purpose: A Sociotechnical Taxonomy for Evaluating Large Language Model Utility

从性能到目的：一种用于评估大语言模型效用的社技术分类

Gavin Levinson, Keith Feldman

机构 * University of Michigan（密歇根大学） 纠错

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

AI总结 本文提出LUX框架，用于评估大语言模型在不同应用场景中的效用，涵盖性能、交互、运营和治理四个领域，并提供动态工具支持框架探索。

A Framework for Studying AI Agent Behavior: Evidence from Consumer Choice Experiments

研究AI代理行为的框架：来自消费者选择实验的证据

Manuel Cherep, Chengtian Ma, Abigail Xu, Maya Shaked, Pattie Maes, Nikhil Singh

机构 * MIT（麻省理工学院） ； Tsinghua University（清华大学） ； Dartmouth College（达特茅斯学院） 纠错

专题命中 代码评测 ：software agent(abstract)；分类 cs.AI

AI总结 本文提出ABxLab框架，通过控制选项属性和说服性提示，研究AI代理在现实决策中的选择行为，揭示代理在无认知限制下仍存在强烈偏好偏见，为AI代理行为研究提供测试平台。

Comments ICLR, 31 pages, 17 figures

Codified Context: Infrastructure for AI Agents in a Complex Codebase

编译上下文：复杂代码库中AI代理的基础设施

Aristidis Vasilopoulos

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

AI总结 本文提出了一种编译上下文基础设施，通过编码约定、领域专家代理和知识库，提升大规模多代理项目中的代码一致性与可靠性。

Comments 9 pages, 4 figures, companion repository: https://github.com/arisvas4/codified-context-infrastructure, code DOI: 10.5281/zenodo.18746623

Unseen-Codebases-Domain Data Synthesis and Training Based on Code Graphs

基于代码图的未见代码库数据合成与训练

Guangsheng Ou, Qiming Zhang, Sirong Chen, Anji Li, Dong Xu, Tiancheng Luo, Dekun Dai, Cuiyun Gao, Long Wang, Jun Zhou, Mingwei Liu, Zibin Zheng

专题命中 仓库级理解 ：code generation(abstract)；分类 cs.SE

AI总结 提出UCD-Training框架，通过代码图构建和两阶段训练，提升模型对未见代码库的推理能力和数据合成效果。