代码大模型 / AI 编程

Development of an Autonomous AI Coding Agent using Monte Carlo Tree Search (MCTS) and Gemini LLM Frameworks

基于蒙特卡洛树搜索（MCTS）和Gemini大语言模型框架的自主AI编码智能体开发

Pravin Game, Vipin Ramakrishnan, Prathamesh Wagh

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

AI总结 本研究开发了一种结合Gemini LLM与定制MCTS的自主AI编码智能体，通过自评判系统优化代码生成，在复杂逻辑任务上成功率达92%，性能优于零样本生成模型。

Comments 10 PAGES WITH PLAGIARISM REPORT ON 10TH PAGE

Evaluating Tiny Recursive Models Across Training for Code Generation

训练全过程中小型递归模型的代码生成能力评估

Anjani Sirivella, Aanisha Newaz, Glaucia Melo

机构 * Toronto Metropolitan University（多伦多都会大学） 纠错

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

AI总结 本研究对比TRM-AR与对照模型，发现递归模型抗过拟合能力优于参数匹配模型，建议递归代码生成模型应在整个训练轨迹上联合评估拟合度与生成表现。

Comments Accepted at CASCON 2026

DSEffi-Bench: Demystifying Large Language Models' Capability in Efficient Data Science Code Generation

DSEffi-Bench：揭示大语言模型在高效数据科学代码生成中的能力

Zhihao Gong, Junzhe Yu, Dong Huang, Zeyu Sun, Jie M. Zhang, Dan Hao

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

AI总结 该研究推出首个针对大语言模型生成数据科学代码执行效率的基准DSEffi-Bench，评估发现正确性与效率不相关，分类法可指导优化以提升效率并降低成本。

Comments Accepted to EMNLP 2026 Main Conference

Interpreting and Steering for Safe and Correct Code Generation

面向安全且正确的代码生成的解释与引导

Hao Yan, Ziyu Yao

机构 * George Mason University（乔治梅森大学） 纠错

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

AI总结 本研究通过CodeSec-Pairs数据集解释LLMs代码生成的安全机制，提出DuoSteer双引导方法，在5类漏洞实验中实现26.9%漏洞率降低，效果优于基线方法且可跨模型复现。

Comments Accepted to the EMNLP 2026 Main Conference

Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering

基于验证的上下文工程实现全自动医学影像代码生成

Zixiao Zhao, Jing Sun, Zhe Hou, Cheng-Hao Cai, Qian Liu, Mengze Li, Zijian Zhang, Jin Song Dong

机构 * University of Auckland（奥克兰大学） ； Griffith University（格里菲斯大学） ； Suzhou Industrial Park Monash Research Institute of Science and Technology（苏州工业园区莫纳什科技研究院） ； Beijing Institute of Technology（北京理工大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出AutoMedImg多智能体框架，通过规划与编码阶段的多阶段验证及自动上下文工程，实现零人工干预的全自动医学影像代码生成，在六个数据集上分割任务Dice最高0.90、分类准确率99%。

Code Generation for Near-Roofline Finite Element Actions on GPUs from Symbolic Variational Forms

基于符号变分形式的GPU近屋顶线有限元作用代码生成

Kaushik Kulkarni, Andreas Klöckner

专题命中 代码生成 ：code generation(title)

AI总结 该研究针对GPU上的有限元方法变分形式，提出一种基于代码转换与启发式成本模型的并行化策略，在三代Nvidia GPU上测试，60%测试用例实现超50%屋顶线性能。

Comments Key changes: (i) Performance evaluation on the Nvidia H200 NVL. (ii) Sensitivity analysis of parameters in our transform space to the transformed kernel's throughput. (iii) Evaluation of our cost model's ranking quality by measuring Spearman's ranking correlation and performing a regret analysis by considering the Top-k subset for varying k

Hidden Threat in Synthetic Data: Covert Targeted Bias Injection through Benign Text

合成数据中的隐藏威胁：通过良性文本注入隐蔽的针对性偏见

Minkyung Cho, Jihyo Kim, SeungWoo Song, Junghun Yuk, Minjoon Kee, Hoyun Song, KyungTae Lim

机构 * KAIST（韩国科学技术院） ； Dankook University（檀国大学） 纠错

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

AI总结 该研究发现可通过语义良性的合成数据，利用潜意识学习机制向对齐LLM注入针对性社会偏见，同时保留模型通用任务能力，揭示了合成数据训练LLM的新安全风险，提出基于对数线性的评分或可用于筛查此类数据。

Comments To be published in EMNLP 2026

Reference-Grafting Matches Fine-Tuning at Eliciting Sandbagged Capabilities

参考嫁接在引出被搁置的能力方面可与微调相媲美

Linh Le, Hong Kiat Tan, David Williams-King

机构 * Lida Safety（Lida安全公司） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； ERA（ERA公司） 纠错

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

AI总结 针对模型被搁置的安全评估问题，提出参考嫁接方法，仅需少量配对示例即可引出模型隐藏能力，效果媲美微调，适用于不同规模模型及多种搁置场景。

Comments under submission

CARE: Context-Aware Ranking Evolution with Executable Scoring Programs for Budgeted Reaction Optimization

CARE：通过科学实验中的可审计证据审查控制LLM生成的策略

Guanyu Liu, Weiyi Kong, Chao Tang, Zeyu Wang, Boer Zhang, Baiqing Li, Peiyu Zhang, Tianyu Shi

机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学） 纠错

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

AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。

Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care

Interactive Clarification for Cloud Infrastructure-as-Code Synthesis

Ambig-IaC：交互式云基础设施即代码合成的多级消歧

Zhenning Yang, Kaden Gruizenga, Tongyuan Miao, Patrick Tser Jern Kon, Hui Guan, Andrew Barto, Ang Chen

机构 * University of Michigan（密歇根大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 本文提出Ambig-IaC框架，通过多级消歧方法提升IaC配置生成的准确性，针对IaC配置的不可逆性，设计了基于结构分歧的评估框架，在结构和属性评估上分别提升18.4%和25.4%。

Comments Project homepage: https://zyang37.github.io/ambig-iac.github.io/

CARVE: Verified Expansion for Variable-Length Generation in Diffusion Language Models

CARVE：扩散语言模型中变长生成的验证式扩展

Wail Bouhedja, Amr Mohamed, Guokan Shang

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Sorbonne Université（索邦大学） ； Ecole Polytechnique（巴黎综合理工学院） 纠错

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

AI总结 本研究提出无需重训的 CARVE 算法，解决扩散语言模型固定长度生成的缺陷，通过验证式扩展实现变长生成，在代码生成与数学推理基准中提升性能并降低推理成本。

Comments EMNLP 2026 Findings

ReTrace: Rejected-Trajectory Conditioning for Speculative Decoding

ReTrace：用于投机解码的拒绝轨迹条件方法

Luxi Lin, Zhanpeng Zeng, Shuang Peng, Songwei Liu, Rongrong Ji

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

AI总结 本文提出ReTrace方法，针对投机解码中被拒绝后缀的有效信息，通过跨轮条件保留优化拒绝后缀，无需额外计算即可提升Qwen3模型在多任务上的解码效率，且可与现有方法结合。

When to Adapt: Conditional Memory Adapters for Retention-Preserving Domain Specialization

何时适配：用于保留性能的领域专业化的条件记忆适配器

Jiayu Hou, Lei Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 针对大语言模型参数高效微调导致域外性能下降的问题，提出Engram Adapter框架，通过条件激活实现领域专业化，在提升领域内准确率的同时保留绝大多数域外性能。

Comments Accepted to Findings of EMNLP 2026

Leveraging Generative AI to Design Accessible Interactive Visualizations for Undergraduate Mathematics: A Six-Phase Workflow

利用生成式人工智能为本科数学设计可访问的交互式可视化：一个六阶段工作流

Mahesh Sunkula, Kuan-Hua Chen

机构 * Purdue University（普渡大学） 纠错

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

AI总结 本研究提出六阶段工作流，利用生成式人工智能为本科数学构建符合WCAG 2.2 AA级标准的可访问交互式可视化，无需编程，经四个工具验证，各阶段需人工验证，适用于师生。

Rubric-to-Code Credit Assignment for Reinforcement Learning

用于强化学习的从评分规则到代码的信用分配

Rui Jin, Jikai Chen, Yihan Chen, Hao Zhou, Demin Zhu, Kaichen Yang, Dong Wang, Linjian Mo, Chenyi Zhuang

机构 * Inclusion AI, Ant Group（蚂蚁集团Inclusion AI） ； Zhongnan University（中南大学） 纠错

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

AI总结 该研究针对网页应用代码生成中信用分配被削弱的问题，提出RCCA强化学习框架，构建分层奖励与归因对齐机制，使Ling-RCCA-Flash在MiniAppBench和ArtifactsBench上创出新的最优表现。

A Comprehensive Review of Large Language Models for Nanophotonics: From Surrogate Modeling to Autonomous Design

面向纳米光子学的大语言模型综合综述：从代理建模到自主设计

Huanshu Zhang, Kegeng Tang, Lei Kang, Sawyer D. Campbell, Zihao Wang, Douglas H. Werner

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Tennessee at Chattanooga（田纳西大学查塔努加分校） 纠错

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

AI总结 该综述探讨大语言模型（LLMs）如何通过语义接口、代码生成及工具编排改进纳米光子学工作流，梳理相关方法的两类模式及跨学科应用，展望具备物理感知的多模态基础模型，推动AI从被动工具向主动科研合作者转变。

Comments Accepted for publication in Advanced Photonics

NeuReasoner: Theory-grounded Mapping of Reasoning Elicitation Boundaries

NeuReasoner: 理论驱动的推理激发边界映射

Aydin Javadov, Shyngys Aitkazinov, Tobias Hoesli, Florian von Wangenheim, Bjoern Schuller, Joseph Ollier

机构 * ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 提出理论驱动的NeuReasoner框架，通过神经透镜与认知透镜结合，在无需外部工具下激发大模型推理能力，在数学、编码及认知任务上匹配或超越后训练思维模式，并发现风险决策等边界。

Comments Published at COLM 2026 Workshop on Agent Behavior

Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence

超越NL2Code：多模态代码智能的结构化综述

Xuanle Zhao, Qiushi Sun, Jingyu Xiao, Xuexin Liu, Haoyue Yang, Qiaosheng Chen, Xianzhen Luo, Jing Huang, Yufeng Zhong, Lei Chen, Shuai Fu, Zhenlin Wei, Jinhe Bi, Lei Jiang, Haibo Qiu, Siqi Yang, Peng Shi, Jian Hu, Zhixiong Zeng

机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

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

AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。

Comments Accepted by TMLR 2026

QAQ: Bidirectional Semantic Coherence for Selecting High-Quality Synthetic Code Instructions

QAQ：双向语义一致性用于选择高质量的合成代码指令

Jiayin Lei, Ming Ma, Yunxi Duan, Chenxi Li, Tianming Yang

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

AI总结 本文提出QAQ框架，通过双向语义一致性评估合成数据质量，利用反向互信息量化答案对查询的信息增益，实验表明选择25%数据可达到全数据训练效果，提升数据筛选效率。

Comments 14 pages, 5 figures. EMNLP 2026 (Main track)

SpecPV: Improving Self-Speculative Decoding for Long-Context Generation via Partial Verification

SpecPV：通过部分验证改进长上下文生成的自我推测解码

Zhendong Tan, Xingjun Zhang, Chaoyi Hu, Junjie Peng, Kun Xia

机构 * School of Computer Science and Technology, Xi'an Jiaotong University, Xi'an, China（计算机科学与技术学院，西安交通大学，西安，中国） 纠错

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

AI总结 SpecPV通过部分验证和周期性完整验证提升长上下文生成效率，实现6倍解码加速

Developer-LLM Conversations: An Empirical Study of Interactions and Generated Code Quality

开发者与大语言模型对话：交互模式与生成代码质量的实证研究

Suzhen Zhong, Ying Zou, Bram Adams

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

AI总结 本研究构建大规模开发者-LLM对话数据集CodeChat，分析开发者讨论话题、交互模式及生成代码质量的演变，发现相关问题发生率未随轮次下降，提出对话助手需跟踪开发者意图并监控代码质量。

Disappearing Ink: Obfuscation Breaks N-gram Code Watermarks in Theory and Practice

消失的墨水：混淆在理论与实践中可破坏N元语法（N-gram）代码水印

Gehao Zhang, Mingzhe Li, Eugene Bagdasarian, Shiqing Ma, Juan Zhai

机构 * University of Massachusetts（马萨诸塞大学） 纠错

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

AI总结 该研究发现基于N元语法的代码水印在代码混淆攻击下会失效，通过理论建模和多组实验验证，表明现有此类水印方案不具备鲁棒性，推动语义感知替代方案的研发。

MaCTG: Multi-Agent Collaborative Thought Graph for Automatic Programming

MaCTG：用于自动编程的多智能体协作思维图

Zixiao Zhao, Jing Sun, Zhe Hou, Zhiyuan Wei, Cheng-Hao Cai, Miao Qiao, Jin Song Dong

机构 * School of Computer Science, University of Auckland（计算机科学系，奥克兰大学） ； School of Information and Communication Technology, Griffith University（信息与通信技术系，格里菲斯大学） ； Beijing Institute of Technology（北京理工大学） ； Suzhou Industrial Park Monash Research Institute of Science and Technology（苏州工业园区莫纳什科学与技术研究所） ； School of Computing, National University of Singapore（计算系，新加坡国立大学） 纠错

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

AI总结 本文提出MaCTG多智能体框架，通过动态图结构实现LLM智能体的精准协作，在传统图像处理自动编程任务中达83.33%最优准确率，运营成本较现有多智能体框架降低89.09%。