代码大模型 / AI 编程

DARTS: Decoder-Aware Representation Tuning via Surgery for Model Merging

DARTS：通过“手术”实现感知解码器的表示调优以完成模型合并

Aaryan Ajay Sharma, Sai Nishanth Padala, Seganrasan Subramanian

机构 * ServiceNow（ServiceNow（服务now公司）） ； University of Twente（特温特大学） 纠错

专题命中 代码评测 ：code generation(abstract)；分类 cs.LG

AI总结 针对模型合并中解码器存在的表示偏差挑战，本文提出DARTS方法，通过熵加权L1损失与逐位置加性偏差校正，在三类任务上较标准方法获显著改进且新增参数极少。

Comments Accepted to EMNLP 2026 Main Conference

LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering

LoopArena：将模型作为循环工程运行时控制器的基准测试

Yi Wang, Haopeng Zhang, Chengxiang Huang, Rui Dai, Kaikui Liu, Piotr Koniusz, Xiangxiang Chu

机构 * DreamX Team, Alibaba Group（达摩院团队，阿里巴巴集团） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； UNSW Sydney（新南威尔士大学悉尼分校） ； Data61, CSIRO（联邦科学与工业研究组织数据61研究所） 纠错

专题命中 代码评测 ：coding agent(abstract)；分类 cs.AI

AI总结 研究推出LoopArena基准，评估模型作为控制器指导编码智能体完成长期任务的能力，发现完整任务上最佳严格成功率为24.69%，推理成本平均降低64.4%。

Residual-Guided Randomized Neural Networks

残差引导的随机神经网络

Mushir Akhtar, M. Tanveer, Mohd. Arshad

机构 * Indian Institute of Technology Indore（印度理工学院印多尔分校） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.LG

AI总结 针对随机神经网络单次隐藏单元抽取的局限，提出残差引导的贪婪隐藏层构建方法，在71个UCI基准数据集上验证其性能优于基线模型。

Comments Accepted at WCCI 2026

Cross-Session Decomposition Attacks: Scaling Risk and Intent-Aligned Retrieval Defense

跨会话分解攻击：规模风险与意图对齐检索防御

Disen Liao, Yihan Wang, Freda Shi, Yaoliang Yu

机构 * University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） 纠错

专题命中 代码评测 ：repository(abstract)；分类 cs.AI

AI总结 该研究聚焦跨会话分解攻击的规模风险，提出IntentAlign-MiniLM防御方法，实验显示更大的Qwen3、Gemma3系列模型在该攻击下有害能力提升更显著，所提防御效果优于更大嵌入模型。

Comments 30 pages, 3 figures, EMNLP 2026 Findings