代码大模型 / AI 编程

Behavior Specification-Guided Program Synthesis for Binary Deobfuscation

行为规范引导的二进制代码反混淆程序合成

Kangchen Zhu, Shangwen Wang, Zhiliang Tian, Zhouyang Jia, Xiaoling Li, Jun Ma, Jie Yu, Xiaoguang Mao

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

AI总结 针对二进制反混淆领域的局限，本文提出BinMirror方法，将二进制反混淆转化为行为规范引导的程序合成任务，在150万个合成混淆二进制文件上的评估显示其性能优于现有基线，单元测试Pass@1达74.5%。

When to Ponder: Adaptive Compute Allocation for Code Generation via Test-Time Training

何时思考：通过测试时间训练实现的自适应计算分配

Gihyeon Sim

机构 * Dongpae High School, Paju, Gyeonggi-do, Republic of Korea（京畿道帕久郡东垈高中） 纠错

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

AI总结 通过测试时间训练实现自适应计算分配，利用自监督重建损失选择性更新，提升代码语言建模性能

Comments 14 pages, 1 figure, 14 tables, code available at this https URL (https://github.com/deveworld/ponderTTT)

EditPPT: Faithful Long-Deck Slide Editing via Structured Tool-Using Multi-Agent with Dual-Modal Validators

EditPPT：基于结构化工具使用多智能体与双模态验证器的忠实长文档幻灯片编辑

Jiheon Kim, Kyudan Jung, Jaegul Choo

机构 * KAIST AI（韩国科学技术院人工智能学院） 纠错

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

AI总结 本文提出EditPPT多智能体框架，通过PowerPoint COM接口执行局部操作并结合双模态验证，在DeckEdit-Bench基准上实现高执行率等指标，解决长文档幻灯片编辑的级联错误问题。

Comments 30 pages, 7 figures, 17 tables, EMNLP 2026 submitted, under review

Beyond Prompt Engineering: A Systematic Analysis of Prompt Lexical Sensitivity and Its Impacts on Quality

提示工程之外：提示词词汇敏感性及其对质量影响的系统性分析

Qipeng Xie, Zi Liang, Jiafei Wu, Yufei Chen, Weizheng Wang, Wenao Ma, Zhong Ming, Haiqin Yang, Kaishun Wu

机构 * Shenzhen Technology University（深圳技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Zhejiang Lab（之江实验室） ； The Chinese University of Hong Kong（香港中文大学） ； HKUST (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 该研究针对大型语言模型的提示词词汇敏感性开展大规模机制分析，揭示提示词性能稳定性缩放定律，提出自动化提示词优化智能体，可降低代码生成任务性能方差40.7%，为鲁棒提示工程提供可解释框架。

Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries

LLM生成代码中的库幻觉：基于开发者查询的风险分析

Lukas Twist, Mark Harman, Helen Yannakoudakis, Jie M. Zhang

机构 * King’s College London（伦敦国王学院） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文研究了LLM生成代码中库幻觉的风险，通过分析用户提示变化对库幻觉的影响，揭示了系统性漏洞，并提出了LibHalluBench基准测试以评估这些幻觉。

Comments 28 pages, 1 figure, 13 tables. Accepted to Proceedings of EMNLP 2026

AIRL-S: Unifying Reinforcement Learning and Search-Based Test-Time Scaling via Adversarial Inverse Reinforcement Learning

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。

Vibe Coding: Practice, Performance, Productivity, and Risk -A State-of-the-Art Review

Vibe编程：实践、性能、生产力与风险——一项最新进展综述

Dominik L. Michels, Mutaz Abu Ghazaleh, Francois Lazzari, Nabil Kassem, Jonathan Klein

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

AI总结 本综述针对2025年提出的Vibe编程，梳理跨学科实证证据，发现其代码生成可靠但故障检测弱，生产力结果因测量方式等差异存在分歧，还存在安全、版权及技能萎缩问题，提出新代码收益真实、成熟代码收益收缩的猜想。

Maximum Likelihood Reinforcement Learning

最大似然强化学习

Fahim Tajwar, Guanning Zeng, Yueer Zhou, Yuda Song, Daman Arora, Yiding Jiang, Jeff Schneider, Ruslan Salakhutdinov, Haiwen Feng, Andrea Zanette

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

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

AI总结 MaxRL是一种基于采样的强化学习框架，通过最大似然估计提升模型训练效率，实验显示其在多个任务中表现优于现有方法。

Comments ICML 2026. Project website: this https URL (https://zanette-labs.github.io/MaxRL/)

When Looks Do Not Lie: Discourse Structure Guided In-Context Learning for Faithful Diagram Generation

用上下文示例能改进教育图表生成吗？如果幻觉破坏了整体效果就不能

Evanfiya Logacheva, Arto Hellas, Tsvetomila Mihaylova, Juha Sorva, Ava Heinonen, Juho Leinonen

机构 * Aalto University（阿尔托大学） 纠错

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

AI总结 本研究通过基于RST的上下文示例方法改进教育图表生成，发现高复杂度上下文增加幻觉风险，LLMs难以检测错误。

Reward Engineering for Software Tasks: A Survey of Reinforcement Learning Approaches

软件任务中强化学习的奖励工程

Md Rayhanul Masud, Azmine Toushik Wasi, Salman Rahman, Md Rizwan Parvez

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

AI总结 本文系统综述了强化学习在软件任务中奖励工程的方法与挑战，旨在整合现有奖励设计方法并提供全面的指导。

Comments Accepted at EMNLP 2026 (Findings)