代码大模型 / AI 编程

FPGAgent: An LLM-Assisted Framework for Autonomous HLS Code Generation and Verification in FPGA Environments

FPGAgent：一种用于FPGA环境中自主HLS代码生成与验证的大语言模型辅助框架

Tianyu Wang, Wenjie Wang, Jianguo Yao, Haibing Guan, Xijun Li

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

AI总结 FPGAgent是首个经成熟基准验证的任务规范到可执行HLS生成的多智能体框架，可自主生成并验证FPGA的HLS代码，在HLS-Eval基准上可综合率等指标平均提升16.9%等，大幅提升了LLM生成HLS代码的实用性。

Rubrics as Visual-Repair Context for Self-Evolving UI-to-Code Generation

作为自演进UI转代码生成视觉修复上下文的评分标准

Tianyi Xiong, Zhengyuan Yang, Xiaofei Wang, Chung-Ching Lin, Ruichun Ma, Kevin Lin, Zhendong Wang, Linjie Li, Chenxi Liu, Ruibo Chen, Ramani Duraiswami, Heng Huang, Lijuan Wang

机构 * University of Maryland（马里兰大学） ； Microsoft（微软公司） 纠错

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

AI总结 该研究针对视觉语言模型UI转代码自演进不稳定的问题，提出RubSE框架，利用评分标准作为视觉修复上下文，在多模型多基准上显著提升了生成性能与稳定性。

When Do Supervised UQ Ensembles Improve LLM Hallucination Detection? A Robustness Study

当监督式不确定性量化集成能提升大语言模型幻觉检测性能？一项鲁棒性研究

Mohit Singh Chauhan, Vipin Gyanchandani, Dylan Bouchard

机构 * CVS Health（CVS健康公司） 纠错

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

AI总结 本文研究监督式UQ集成对LLM幻觉检测的鲁棒性，在多模型、多数据集、多生成范式下分析其性能，发现其多数场景优于单个评分器，采样黑盒集成效果接近全集成。

LLM Agents Perform Controlled Experiments Using Simulation Models

大语言模型智能体使用模拟模型开展对照实验

Yuchen Xia, Michael Weyrich, Nasser Jazdi, Johannes Stümpfle, Johannes Sigel, Akshay Narla, Gavin K. Reynolds, Anna Jawor-Baczynska, Pol Llopart

机构 * Institute for Industrial Automation and Software Engineering（工业自动化与软件工程研究所） ； University of Stuttgart（斯图加特大学） ； AstraZeneca（阿斯利康） 纠错

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

AI总结 本研究提出多智能体框架，将LLM与高保真模拟模型结合，使LLM智能体可开展制药工艺设计的对照实验，生成更具体可操作的优化建议，在工业场景中表现更优。

Comments Accepted at the 31st IEEE International Conference on Emerging Technologies and Factory Automation ETFA 2026

Tool-Making and Self-Evolving LLM Agents in Low-Latency Systems

低延迟系统中的工具制作与自我进化大语言模型智能体

Kalle Kujanpää, Ning Liu, Shahnawaz Alam, Yeshwanth Reddy Sura, Tianyu Yang, Kristina Klinkner, Shervin Malmasi

机构 * Amazon（亚马逊） 纠错

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

AI总结 研究如何解决生产LLM智能体因重复生成代码浪费延迟和可靠性的问题，提出用智能工具制作管道取代推理时编码循环，部署该方法使系统更快、更可靠、易操作，降低延迟和错误率，提高可审计性。

Comments To appear at EMNLP 2026 Industry Track

Exploit More, Explore Smarter for Budget-Constrained Agentic Search

面向预算受限的智能体搜索：更充分利用，更智能探索

Haoyang Fang, Bernie Wang

机构 * Amazon AGI（亚马逊AGI） 纠错

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

AI总结 针对预算受限的智能体搜索场景，提出ExTS树搜索策略，结合三种机制优化树搜索，在多项任务上实现性能提升，还提供了问题结构差异的诊断方法。

Automated Synthesis of Cloud Emulators

云模拟器的自动化合成

Archit Bhatnagar, Zhenning Yang, Sarah McClure, Yiming Qiu, Sylvia Ratnasamy, Ang Chen

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

AI总结 针对DevOps程序测试中云模拟器构建难的问题，提出基于神经符号代码合成的CloudEmu方法，其在AWS、GCP服务上的覆盖率与准确性优于手动开发的LocalStack。

Comments 12 pages, 8 figures, 5 tables, Under review

''You Can't Open an LLM With a Screwdriver'': The De-Democratization of Software

“你不能用螺丝刀打开大语言模型”：软件的去民主化

Zixuan Feng, Italo Santos, Kostadin Damevski, Anita Sarma

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

AI总结 本文指出AI虽扩大代码生成获取范围但或使软件控制权集中，软件工程专业知识重心转向意图规范，并提出教育、工具和政策领域的研究机遇以应对AI时代挑战。

Comments Accepted to the ACM AI Leadership Summit 2026

Aging of Prompt Engineering Techniques Across LLM Versions

提示工程技术在大语言模型版本间的老化现象

Anastasiia Rudyk, Julian Oertel, Regina Hebig

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

AI总结 本研究通过评估三类模型对的五种提示技术，发现提示工程效果随LLM代际以模型家族特定方式老化，需针对性调整而非照搬。

Comments Accepted at ICSME 2026

Markets, Not Planners: Decentralized Orchestration of LLM Agents with Private Information

市场而非规划者：利用私有信息对大语言模型智能体进行去中心化协调

Xiao Liu, Haoyang Li, Songwei Li, Hongbo Fang, Fengli Xu, Feng Shi, James Evans

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

AI总结 针对中心化LLM智能体协调的瓶颈与易操控问题，提出去中心化的AgentLance重复劳动力市场机制，经多类任务验证，其匹配专长、转向廉价智能体的表现优于基线方法，还可通过修正市场失灵进一步提升效率。

Comments Working paper

LongWoF-Bench: Evaluating EvoMap Genes for Verifiable Long-Workflow Tasks

LongWoF-Bench：评估用于可验证长工作流任务的EvoMap基因

Xiao Zhang, Qumeng Sun, Jiahao Li, Yiming Ren, Xiang Liu, Haoyang Zhang, Junjie Wang

机构 * EvoMap ； Tsinghua University（清华大学） 纠错

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

AI总结 该研究提出LongWoF-Bench基准，发现通过EvoMap将验证的执行轨迹转化为可复用的Gene，能显著提升多模型在长工作流任务上的表现，且优于Skill和参考蒸馏的Gene。

Self-Evolving Scientific Agent Designs Physically-Reasoned Whitebox Fluid Control

自进化科学智能体发现可泛化的物理推理流体控制

Boai Sun, Wenjin Guo, Zongmin Yu, Liu Yang

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出一种由大语言模型驱动的自进化科学智能体工作流，通过迭代代码生成和物理仿真诊断，自动构建可解释的控制器，并在欠驱动双关节狗鲨游泳器目标到达任务中实现零样本泛化。

Efficient LLM Collaboration via Planning

通过规划实现高效的LLM协作

Byeongchan Lee, Jonghoon Lee, Dongyoung Kim, Jaehyung Kim, Kyungjoon Park, Dongjun Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） 纠错

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

AI总结 本文提出COPE框架，通过规划模型与执行模型的协作，提升小模型和大模型在复杂任务中的性能，同时显著降低推理成本。

Comments Accepted at TMLR 2026

QiMeng-ChipV-RTL: Exploiting Information Locality for IP-level Verilog Generation

LocalV: 利用信息局部性进行IP级Verilog生成

Hanqi Lyu, Di Huang, Yaoyu Zhu, Kangcheng Liu, Bohan Dou, Chongxiao Li, Pengwei Jin, Shuyao Cheng, Rui Zhang, Zidong Du, Qi Guo, Xing Hu, Yunji Chen

机构 * University of Science（科学大学） ； SKL of Processors, Institute of Computing Technology, CAS（处理器研究所，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 LocalV通过利用模块化硬件设计中的信息局部性，解决IP级Verilog生成中的长文档处理、长代码生成和调试挑战，实现更高的生成准确率。