代码大模型 / AI 编程

WebAccessVL: Violation-Aware VLM for Web Accessibility

WebAccessVL: 为网页可访问性而设计的违反意识VLM

Amber Yijia Zheng, Jae Joong Lee, Bedrich Benes, Raymond A. Yeh

机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） 纠错

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

AI总结 WebAccessVL通过基于违规的VLM自动修正网页HTML，显著减少可访问性违规，提升网页可访问性与视觉一致性。

Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs

思考以回忆：推理如何解锁大语言模型中的参数知识

Zorik Gekhman, Roee Aharoni, Eran Ofek, Mor Geva, Roi Reichart, Jonathan Herzig

机构 * Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 本研究发现推理通过计算缓冲效应和事实优先机制提升大语言模型对参数知识的回忆能力，但可能增加幻觉风险，通过优化推理轨迹可提高模型准确性。

Can AI Agents Generate Microservices? How Far are We?

AI代理能否生成微服务？我们距离多远？

Bassam Adnan, Matteo Esposito, Davide Taibi, Karthik Vaidhyanathan

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

AI总结 本文研究了AI代理生成微服务的能力，发现渐进式生成在单元测试中表现较好，而清洁状态生成在集成测试中表现更优，但整体上仍需人类监督。

Comments 10 pages, 7 figures, accepted at the 2026 IEEE International Conference on Software Architecture (ICSA 2026). This is the pre-print version; the camera-ready version is published by IEEE

SCAFFOLD-CEGIS: Preventing Latent Security Degradation in LLM-Driven Iterative Code Refinement

SCAFFOLD-CEGIS: 防止由LLM驱动的迭代代码精炼中的潜在安全退化

Yi Chen, Yun Bian, Haiquan Wang, Shihao Li, Zhe Cui

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

AI总结 SCAFFOLD-CEGIS通过多智能体协作架构，将安全约束显式化，有效降低LLM驱动迭代代码精炼中的潜在安全退化率至2.1%。

Learning From Design Procedure To Generate CAD Programs for Data Augmentation

从设计过程学习生成用于数据增强的CAD程序

Yan-Ying Chen, Dule Shu, Matthew Hong, Andrew Taber, Jonathan Li, Matthew Klenk

机构 * Toyota Research Institute（丰田研究院） 纠错

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

AI总结 本文提出了一种基于设计过程的CAD程序生成方法，通过引入有机形状和样条基 curvature 提高几何多样性，以增强数据增强效果。

Comments Accepted by NeurIPS 2025 Workshop: Deep Learning for Code in the Agentic Era

Planner Aware Path Learning in Diffusion Language Models Training

扩散语言模型训练中的规划感知路径学习

Fred Zhangzhi Peng, Zachary Bezemek, Jarrid Rector-Brooks, Shuibai Zhang, Anru R. Zhang, Michael Bronstein, Alexander Tong, Avishek Joey Bose

机构 * Duke University（杜克大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； California Institute of Technology（加州理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Oxford（牛津大学） ； AITHYRA ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文提出PAPL，一种通过规划感知路径学习提升扩散语言模型训练与推理一致性的方法，实现跨领域性能提升。

Comments Camera ready version for ICLR2026

Graph-GRPO: Stabilizing Multi-Agent Topology Learning via Group Relative Policy Optimization

图GRPO：通过群体相对策略优化稳定多智能体拓扑学习

Yueyang Cang, Xiaoteng Zhang, Erlu Zhao, Zehua Ji, Yuhang Liu, Yuchen He, Zhiyuan Ning, Chen Yijun, Wenge Que, Li Shi

机构 * Tsinghua University（清华大学） ； Donghua University（东华大学） 纠错

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

AI总结 图GRPO通过群体相对策略优化稳定多智能体拓扑学习，提升训练稳定性并识别关键通信路径。

Re4: Scientific Computing Agent with Rewriting, Resolution, Review and Revision

Re4: 具有重写、推理、审查和修订的科学计算代理

Ao Cheng, Lei Zhang, Guowei He

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

AI总结 Re4提出一种基于重写、推理、审查和修订机制的科学计算代理，通过协作框架提升代码生成的可靠性与准确性。

Comments 31 pages, 31 figures, Presented at the ICLR 2026 Workshop on AI and Partial Differential Equations (AI&PDE)

Production-Grade AI Coding System for Client-Side Development

面向客户端开发的生产级AI编码系统

Ruihan Wang, Chencheng Guo, Guangjing Wang

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

AI总结 本文提出了一种面向客户端开发的生产级AI编码系统，通过结构化多阶段流程整合Figma设计、PRD和领域知识，提升代码生成与产品需求的对齐性。

Comments 18 pages, 2 figures

Stop Wasting Your Tokens: Towards Efficient Runtime Multi-Agent Systems

停止浪费你的令牌：迈向高效的运行时多智能体系统

Fulin Lin, Shaowen Chen, Ruishan Fang, Hongwei Wang, Tao Lin

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； State Key Laboratory of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室） 纠错

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

AI总结 SupervisorAgent通过运行时自适应监督框架减少多智能体系统中的令牌消耗，提升效率与鲁棒性。

Comments Accepted to ICLR 2026. The code is available at https://github.com/LINs-lab/SupervisorAgent

Diversity-Enhanced Reasoning for Subjective Questions

增强多样性推理以应对主观问题

Yumeng Wang, Zhiyuan Fan, Jiayu Liu, Jen-tse Huang, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出MultiRole-R1框架，通过引入视角多样性和token级多样性提升主观推理性能，实验显示其在主观任务和高级数学推理中均取得显著提升。

RLAR: An Agentic Reward System for Multi-task Reinforcement Learning on Large Language Models

RLAR：一种用于大型语言模型多任务强化学习的代理奖励系统

Andrew Zhuoer Feng, Cunxiang Wang, Bosi Wen, Yidong Wang, Yu Luo, Hongning Wang, Minlie Huang

机构 * Tsinghua Univeristy（清华大学） ； Peking University（北京大学） 纠错

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

AI总结 RLAR通过动态生成奖励函数提升大型语言模型在多任务强化学习中的性能和泛化能力。

Comments 25 pages, 7 figures

DenoiseFlow: Uncertainty-Aware Denoising for Reliable LLM Agentic Workflows

DenoiseFlow：面向可靠LLM代理工作流的不确定性感知去噪

Yandong Yan, Junwei Peng, Shijie Li, Chenxi Li, Yifei Shang, Can Deng, Ruiting Dai, Yongqiang Zhao, Jiaqi Zhu, Yu Huang

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院） ； SKLCCSE, School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Key Laboratory of High Confidence Software Technologies(PKU), MOE（北京大学高可信软件技术重点实验室） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National Engineering Research Center for Software Engineering, Peking University（软件工程国家工程研究中心） 纠错

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

AI总结 DenoiseFlow通过闭环框架实现多步推理的不确定性感知去噪，提升LLM代理工作流的可靠性与效率。

GraphCue for SDN Configuration Code Synthesis

基于图的SDN配置代码合成

Haomin Qi, Fengfei Yu, Chengbo Huang

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

AI总结 GraphCue通过拓扑感知检索和约束条件生成，实现了SDN配置代码合成的高通过率和高效验证。

Comments 2 pages, 2 figures

Journal ref IEEE Consumer Communications & Networking Conference 2026

Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference

行动胜于提示：大型语言模型在图推断中的大规模研究

Ben Finkelshtein, Silviu Cucerzan, Sujay Kumar Jauhar, Ryen White

机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 研究通过大规模评估揭示LLM在图推断中的表现，发现代码生成在长文本图中表现最佳，异质图上交互策略仍有效，且方法能灵活适应不同输入类型。

ParamMem: Augmenting Language Agents with Parametric Reflective Memory

ParamMem: 通过参数化反思记忆增强语言代理

Tianjun Yao, Yongqiang Chen, Yujia Zheng, Pan Li, Zhiqiang Shen, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 ParamMem通过参数化记忆模块提升语言代理的反思多样性，实现更高效的推理和跨任务迁移能力。

Comments 20 pages

On the Generalization of SFT: A Reinforcement Learning Perspective with Reward Rectification

在SFT的泛化上：从强化学习视角的奖励校正

Yongliang Wu, Yizhou Zhou, Zhou Ziheng, Yingzhe Peng, Xinyu Ye, Xinting Hu, Wenbo Zhu, Lu Qi, Ming-Hsuan Yang, Xu Yang

机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校） 纠错

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

AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。

Comments ICLR 2026

Agentic Framework for Epidemiological Modeling

流行病建模的代理框架

Rituparna Datta, Zihan Guan, Baltazar Espinoza, Yiqi Su, Priya Pitre, Srini Venkatramanan, Naren Ramakrishnan, Anil Vullikanti

机构 * University of Virginia（弗吉尼亚大学） ； Virginia Tech（弗吉尼亚理工学院） ； Biocomplexity Institute（生物复杂性研究所） 纠错

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

AI总结 EPIAGENT通过代理框架自动合成和优化流行病模拟器，提升模型的准确性和效率。

ID-LoRA: Efficient Low-Rank Adaptation Inspired by Matrix Interpolative Decomposition

ID-LoRA: 基于矩阵插值分解的高效低秩适应

Xindian Ma, Rundong Kong, Peng Zhang, Ruoxiang Huang, Yongyu Jiang

机构 * Tianjin University（天津大学） 纠错

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

AI总结 ID-LoRA通过基于矩阵插值分解的低秩适应方法，在减少可训练参数的同时保持模型容量，优于现有PEFT技术。

Learning to Solve Complex Problems via Dataset Decomposition

通过数据集分解学习解决复杂问题

Wanru Zhao, Lucas Caccia, Zhengyan Shi, Minseon Kim, Weijia Xu, Alessandro Sordoni

机构 * University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

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

AI总结 通过数据集分解和课程生成方法，提升模型解决复杂问题的能力

Comments NeurIPS 2025

Automated Generation of Microfluidic Netlists using Large Language Models

利用大语言模型自动化生成微流体网表

Jasper Davidson, Skylar Stockham, Allen Boston, Ashton Snelgrove, Valerio Tenace, Pierre-Emmanuel Gaillardon

机构 * Department of Electrical and Computer Engineering, University of Utah（电气与计算机工程系，犹他大学） ； Primis AI, Inc.（Primis AI 公司） 纠错

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

AI总结 本文利用大语言模型自动化生成微流体器件的结构网表，实现了从自然语言描述到Verilog代码的转换，并在典型微流体设计中验证了其有效性。

MigrateLib: a tool for end-to-end Python library migration

MigrateLib: 一种用于端到端Python库迁移的工具

Mohayeminul Islam, Ajay Kumar Jha, May Mahmoud, Sarah Nadi

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

AI总结 MigrateLib利用大型语言模型、静态分析和动态分析，实现端到端的Python库迁移，能准确迁移32%的迁移任务。

Comments arXiv admin note: text overlap with arXiv:2504.13272

Agentic AI for Scalable and Robust Optical Systems Control

面向可扩展和鲁棒光学系统控制的代理AI

Zehao Wang, Mingzhe Han, Wei Cheng, Yue-Kai Huang, Philip Ji, Denton Wu, Mahdi Safari, Flemming Holtorf, Kenaish AlQubaisi, Norbert M. Linke, Danyang Zhuo, Yiran Chen, Ting Wang, Dirk Englund, Tingjun Chen

机构 * Department of Electrical and Computer Engineering, Duke University（电气与计算机工程系，杜克大学） ； Duke Quantum Center and Department of Physics, Duke University（杜克量子中心和物理系，杜克大学） ； Department of Computer Science, Duke University（计算机科学系，杜克大学） ； NEC Laboratories America（NEC美国实验室） ； Axiomatic AI（公理AI） ； Joint Quantum Institute, Department of Physics, and the National Quantum Laboratory (QLab), University of Maryland（联合量子研究所、物理系以及国家量子实验室（QLab），马里兰大学） ； Research Laboratory of Electronics, Massachusetts Institute of Technology（电子研究实验室，麻省理工学院） 纠错

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

AI总结 AgentOptics通过代理AI框架实现异构光学系统的可扩展和鲁棒自主控制，展示了高保真任务成功率和多任务协调能力。

TROLL: Trust Regions improve Reinforcement Learning for Large Language Models

TROLL：通过信任区域改进大型语言模型的强化学习

Philipp Becker, Niklas Freymuth, Serge Thilges, Fabian Otto, Gerhard Neumann

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

AI总结 TROLL通过引入基于信任区域的离散可微投影，改进了大型语言模型的强化学习训练，提升了训练速度、稳定性和最终成功率。

Comments Published as a conference paper at ICLR 2026

Multi-CoLoR: Context-Aware Localization and Reasoning across Multi-Language Codebases

多语言代码库中的上下文感知定位与推理：Multi-CoLoR

Indira Vats, Sanjukta De, Subhayan Roy, Saurabh Bodhe, Lejin Varghese, Max Kiehn, Yonas Bedasso, Marsha Chechik

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

AI总结 Multi-CoLoR通过结合组织知识检索与图推理，提升多语言代码库中的定位准确性与效率。

Comments This paper has been accepted for publication at the 33rd IEEE International Conference on Software Analysis, Evolution and Reengineering (SANER 2026)

LAPIS: Lightweight API Specification for Intelligent Systems

LAPIS：轻量级智能系统API规范

Daniel Garcia

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

AI总结 LAPIS是一种为LLM优化的轻量级API规范格式，通过减少token使用并保留语义信息，提升智能系统对API的处理效率。

LLM-Assisted Replication for Quantitative Social Science

大语言模型辅助的定量社会科学复制

So Kubota, Hiromu Yakura, Samuel Coavoux, Sho Yamada, Yuki Nakamura

机构 * Graduate School of Economics, Tohoku University（东北大学经济学研究生院） ； Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所） ； CREST, ENSAE, Institut Polytechnique de Paris（巴黎高等理工学院CREST与ENSAE） ； Graduate School of Public Policy, The University of Tokyo（东京大学公共政策研究生院） ； Faculty of Engineering, The University of Tokyo（东京大学工学部） 纠错

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

AI总结 本研究提出基于大语言模型的自动化系统，用于复制社会科学论文的统计分析并检测潜在问题，旨在提升研究的可验证性和完整性。

ExPairT-LLM: Exact Learning for LLM Code Selection by Pairwise Queries

ExPairT-LLM：通过成对查询实现LLM代码选择的精确学习

Tom Yuviler, Dana Drachsler-Cohen

机构 * Tom Yuviler（独立研究者） ； Dana Drachsler-Cohen（独立研究者） 纠错

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

AI总结 ExPairT-LLM通过成对查询提升LLM代码选择的精确性，实现更高成功率。

Grammar Repair with Examples and Tree Automata: Extended Version

基于示例和树自动机的语法修复：扩展版

Yunjeong Lee, Gokul Rajiv, Ilya Sergey

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

AI总结 本研究提出基于示例和树自动机的语法修复方法，通过构建自动机解决语法歧义，提升解析器生成的准确性与实用性。

Visual Model Checking: Graph-Based Inference of Visual Routines for Image Retrieval

视觉模型检查：基于图的图像检索中的视觉例行程序推断

Adrià Molina, Oriol Ramos Terrades, Josep Lladós

机构 * Centre de Visió per Computador（视觉计算中心） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） 纠错

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

AI总结 本文提出一种结合图基验证与神经代码生成的框架，用于提升图像检索中复杂查询的可信度和可验证性。

Comments Submitted for ICPR Review