代码大模型 / AI 编程

From Prompts to Performance: Evaluating LLMs for Task-based Parallel Code Generation

从提示到性能：评估LLM在基于任务的并行代码生成中的表现

Linus Bantel, Moritz Strack, Alexander Strack, Dirk Pflüger

机构 * Institute for Parallel and Distributed Systems（并行与分布式系统研究所） 纠错

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

AI总结 本文评估了LLM在基于任务的并行代码生成中的表现，通过三种输入提示和三个编程框架，分析了LLM在正确性和可扩展性方面的优缺点。

Comments 12 pages, 4 figures, 2 tables, Workshop on Asynchronous Many-Task Systems and Applications 2026

Learning beyond Teacher: Generalized On-Policy Distillation with Reward Extrapolation

超越教师的学习：基于奖励外推的通用在线蒸馏

Wenkai Yang, Weijie Liu, Ruobing Xie, Kai Yang, Saiyong Yang, Yankai Lin

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； LLM Department, Tencent（腾讯人工智能实验室） 纠错

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

AI总结 本文提出通用在线蒸馏框架，通过奖励外推和灵活参考模型提升学生性能，改进蒸馏效果并超越教师表现。

Comments v2, update results under stronger teachers with more RL training steps

RLSF: Fine-tuning LLMs via Symbolic Feedback

通过符号反馈进行LLM微调：RLSF

Piyush Jha, Prithwish Jana, Pranavkrishna Suresh, Arnav Arora, Vijay Ganesh

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

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 RLSF通过符号反馈微调LLM，利用符号推理工具提供精细反馈，提升领域特定任务的性能，使小模型超越大模型。

Journal ref ECAI 2025, Frontiers in Artificial Intelligence and Applications, Vol. 413, pp. 1687-1694, 2025

Why Pass@k Optimization Can Degrade Pass@1: Prompt Interference in LLM Post-training

为何Pass@k优化会损害Pass@1：LLM微调中的提示干扰

Anas Barakat, Souradip Chakraborty, Khushbu Pahwa, Amrit Singh Bedi

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Central Florida（佛罗里达中央大学） 纠错

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

AI总结 该研究揭示了在LLM微调中，pass@k优化可能损害pass@1的原因，通过梯度冲突和提示干扰机制，提出了理论解释并验证了实验结果。

Comments updated related work discussion

Echoes of AI: Investigating the Downstream Effects of AI Assistants on Software Maintainability

AI的回声：探讨AI助手对软件可维护性的影响

Markus Borg, Dave Hewett, Nadim Hagatulah, Noric Couderc, Emma Söderberg, Donald Graham, Uttam Kini, Dave Farley

机构 * CodeScene ； Equal Experts ； Continuous Delivery 纠错

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

AI总结 本研究探讨AI助手对软件可维护性的影响，发现其在共同开发中未显著提升或降低可维护性，但指出未来需关注代码膨胀和认知债务等潜在风险。

Comments Preprint of study preregistered at ICSME 2025 with In-Principal Acceptance. https://conf.researchr.org/track/icsme-2024/icsme-2024-registered-reports-track

Agentic Framework for Epidemiological Modeling

流行病建模的代理框架

Rituparna Datta, Zihan Guan, Baltazar Espinoza, Yiqi Su, Priya Pitre, Srini Venkatramanan, Naren Ramakrishnan, Anil Vullikanti

机构 * University of Virginia（弗吉尼亚大学） ； Virginia Tech（弗吉尼亚理工学院） ； Biocomplexity Institute（生物复杂性研究所） 纠错

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

AI总结 EPIAGENT通过代理框架自动合成和优化流行病模拟器，提升模型的准确性和效率。

Evaluating and Improving Automated Repository-Level Rust Issue Resolution with LLM-based Agents

评估和改进基于LLM代理的仓库级Rust问题解决

Jiahong Xiang, Wenxiao He, Xihua Wang, Hongliang Tian, Yuqun Zhang

专题命中 软件智能体 ：repository(title,abstract)；分类 cs.SE

AI总结 本研究提出RUSTFORGER，通过集成自动化测试环境与动态跟踪策略，有效提升Rust问题解决效率，解决率达28.6%。

Comments Accepted to the 48th International Conference on Software Engineering (ICSE 2026)

Journal ref 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE '26), April 12--18, 2026, Rio de Janeiro, Brazil

Asynchronous Denoising Diffusion Models for Aligning Text-to-Image Generation

异步去噪扩散模型用于文本到图像生成对齐

Zijing Hu, Yunze Tong, Fengda Zhang, Junkun Yuan, Jun Xiao, Kun Kuang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 软件智能体 ：repository(abstract)

AI总结 本文提出异步扩散模型，通过为不同像素分配不同时间步以改进文本到图像生成的对齐效果。

Comments Accepted to ICLR 2026, 25 pages, 13 figures, 6 tables

Toward Automated Validation of Language Model Synthesized Test Cases using Semantic Entropy

迈向利用语义熵自动验证语言模型合成测试用例

Hamed Taherkhani, Jiho Shin, Muhammad Ammar Tahir, Md Rakib Hossain Misu, Vineet Sunil Gattani, Hadi Hemmati

专题命中 测试生成 ：code generation(abstract)；分类 cs.SE、cs.AI

AI总结 本文提出VALTEST框架，利用语义熵自动验证LLM生成的测试用例，提升测试有效性与代码生成性能。

RepoMod-Bench: A Benchmark for Code Repository Modernization via Implementation-Agnostic Testing

RepoMod-Bench: 一个通过实现无关测试进行代码仓库现代化的基准测试

Xuefeng Li, Nir Ben-Israel, Yotam Raz, Belal Ahmed, Doron Serebro, Antoine Raux

专题命中 代码评测 ：repository(title,abstract)；coding agent(abstract)；分类 cs.SE

AI总结 RepoMod-Bench通过实现无关测试评估代码仓库现代化，揭示大规模自主现代化的挑战。

Enhancing Renal Tumor Malignancy Prediction: Deep Learning with Automatic 3D CT Organ Focused Attention

增强肾肿瘤恶性预测：基于自动3D CT器官聚焦注意力的深度学习

Zhengkang Fan, Chengkun Sun, Russell Terry, Jie Xu, Longin Jan Latecki

机构 * 1 Department of Health Outcomes \& Biomedical Informatics, University of Florida, Gainesville, FL, USA 2 Department of Urology, University of Florida, Gainesville, FL, USA 3 Department of Computer \& Information Sciences, Temple University, Philadelphia, PA, USA 纠错

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

AI总结 本文提出一种无需手动分割的深度学习框架，利用器官聚焦注意力机制提升肾肿瘤恶性预测的准确性。

Comments 5 pages, 2 figures, Accepted at IEEE ISBI 2026

TokEye: Fast Signal Extraction for Fluctuating Time Series via Offline Self-Supervised Learning From Fusion Diagnostics to Bioacoustics

TokEye: 通过离线自监督学习快速提取波动时间序列信号：从融合诊断到生物声学

Nathaniel Chen, Kouroche Bouchiat, Peter Steiner, Andrew Rothstein, David Smith, Max Austin, Mike van Zeeland, Azarakhsh Jalalvand, Egemen Kolemen

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

AI总结 TokEye通过离线自监督学习从多种传感器数据中快速提取波动时间序列信号，用于等离子体波动测量与实时控制。

D-FINE-seg: Object Detection and Instance Segmentation Framework with multi-backend deployment

D-FINE-seg：具有多后端部署的物体检测和实例分割框架

Argo Saakyan, Dmitry Solntsev

专题命中 仓库级理解 ：repository(abstract)

AI总结 D-FINE-seg通过轻量级掩码头和面向分割的训练方法，实现了在TACO数据集上优于YOLO26的F1分数，同时支持多后端部署。

Comments 6 pages, 4 figures, 5 tables