代码大模型 / AI 编程

Activating Latent Security Knowledge through LLM-Guided Risk Analysis for Secure Code Generation

SPARK: 基于安全知识引导与表示激活的LLM安全代码生成

Xiaoyun Xu, Lichao Wu, Jona te Lintelo, Siyu Zhang, Keke Gai, Stjepan Picek

机构 * Radboud University（拉德堡德大学） ； University of Bristol（布里斯托大学） ； University of Zagreb（扎格雷布大学） 纠错

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

AI总结 提出SPARK方法，通过检索CWE条目并添加结构化提示激活模型内隐安全知识，结合预计算令牌偏置，无需重训练即可提升代码安全性。

Narcissus: Program Synthesis Using Context-Aware LLM Approximations

Narcissus：使用上下文感知大语言模型近似值的程序合成

Tilman Hinnerichs, Sebastijan Dumancic, Neil Yorke-Smith

机构 * Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 Narcissus是一种程序合成器，通过保留LLM提议的语法树并结合上下文评分与正则化项，在多领域搜索中优于静态引导及修复提议的方法，解决ARC任务的比例显著提升。

MACGen: Toward Functionally Correct and Secure Code Generation via Multi-Agent Collaboration

MACGen：通过多智能体协作实现功能正确且安全的代码生成

Miseon Yu, Jaehoon Choi, Younghan Lee, Yunheung Paek

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

AI总结 MACGen是整合规划等多环节的多智能体代码生成框架，在CWEval、BaxBench基准上，较直接提示显著提升安全代码生成的功能与安全性指标。

Comments 8 pages

RTLGuard: A Lightweight Teacher-Student Defense for Poisoned RTL Code Generation Models

RTLGuard：一种针对中毒RTL代码生成模型的轻量级师生防御方法

Mahshid Rezakhani, Kimia Azar, Hadi Kamali

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

AI总结 RTLGuard是一种轻量级师生防御方法，通过小规模干净教师模型、复合师生目标及特征对齐等，降低中毒RTL代码生成模型的攻击成功率，同时保留代码功能正确性与可综合性。

Comments 8 pages, 4 figures, 7 tables. Accepted at the IEEE/ACM International Conference on Computer-Aided Design (ICCAD 2026)

EvoCurr: Self-evolving Curriculum with Behavior Code Generation for Complex Decision-making

EvoCurr：面向复杂决策的、结合行为代码生成的自演进课程框架

Yang Cheng, Weiyu Ma, Zilai Wang, Wenhui Zhu, Tangjie Lv, Yujing Hu, Mohamed Elhoseiny, Yue Deng, Jian Zhao

机构 * Zhongguancun Academy（中关村学院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； University of Science and Technology of China（中国科学技术大学） ； King Abdullah University of Science and Technology（国王 Abdullah 科学技术大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 提出EvoCurr这一推理时框架，协同演进课程与可执行策略，在《星际争霸II》等任务上实现高胜率，且具有通用性，无需训练LLM参数。

Escaping Low-Dimensional Overlap: Multi-Task Model Merging via High-Dimensional Sparse Disentanglement

逃离低维重叠：通过高维稀疏解缠的多任务模型合并

Yihang Zhang, Shengke Sun, Junjie Wen, Feng Zeng

机构 * Central South University（中南大学） ； Nanjing University of Science and Technology（南京理工大学） ； Hefei University of Technology（合肥工业大学） 纠错

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

AI总结 针对多任务模型合并的任务干扰问题，本文提出基于SAEs的高维稀疏解缠合并框架，结合GR-ZOO实现选择性合并，在Qwen2.5系列模型的多任务上优于现有基线。

Functional Entropy: Predicting Functional Correctness in LLM-Generated Code with Uncertainty Quantification

功能熵：通过不确定性量化预测LLM生成代码的功能正确性

Dylan Bouchard, Mohit Singh Chauhan, Zeya Ahmad, Ho-Kyeong Ra

机构 * CVS Health（CVS健康） 纠错

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

AI总结 针对LLM生成代码功能不正确的问题，提出基于功能等价性的不确定性量化方法（功能熵），在多个编程语言和模型上优于现有方法。

Comments Accepted at EMNLP 2026 (Main)

Think Short, Defer Smart, Act, and Repeat: Calibrated Reasoning and Uncertainty-Aware Deferral for Edge LLM Agents

短思考、智能延迟、行动与循环：面向边缘大语言模型智能体的校准推理与感知不确定性的延迟机制

Amirmohammad Farzaneh, Osvaldo Simeone

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

AI总结 该研究提出TSDS框架，结合收敛探测器与困惑度延迟规则，经LTT流程校准后，可在边缘LLM智能体上减少43%-73%的思考计算量，同时保证奖励与云端调用率，在多类基准任务上表现优异。

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。

InternBootcamp: Boosting LLM Reasoning with Verifiable Task Scaling

InternBootcamp 技术报告：通过可验证的任务扩展提升大语言模型推理能力

Peiji Li, Jiasheng Ye, Yongkang Chen, Linyang Li, Yichuan Ma, Zijie Yu, Ganqu Cui, Haozhan Li, Jiacheng Chen, Chengqi Lyu, Wenwei Zhang, Qipeng Guo, Dahua Lin, Bowen Zhou, Kai Chen

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出InternBootcamp框架，通过可验证的任务扩展方法提升大语言模型的推理能力，为基于强化学习的模型优化、合成数据生成和模型评估提供了基础设施。

Stronger Alignment between Brain Activity and LLM Embeddings during Code Writing compared to Prose Writing

与散文写作相比，代码写作期间大脑活动与大语言模型（LLM）嵌入之间的对齐性更强

Zachary Karas, Catie Chang, Kevin Leach, Yu Huang

专题命中 代码生成 ：code generation(abstract)

AI总结 该研究通过fMRI和VEMs发现，代码写作时大脑活动与LLM嵌入的对齐性显著强于散文写作，为相关AI系统设计提供了依据。