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。