代码大模型 / AI 编程

Solving Linear Algebra by Program Synthesis

Iddo Drori, Nakul Verma

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

Comments 32 pages, 3 figures

Using Program Synthesis and Inductive Logic Programming to solve Bongard Problems

Atharv Sonwane, Sharad Chitlangia, Tirtharaj Dash, Lovekesh Vig, Gautam Shroff, Ashwin Srinivasan

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

Comments Equal contribution from first two authors. Accepted at the 10th International Workshop on Approaches and Applications of Inductive Programming as a Work In Progress Report

Geometry of Program Synthesis

James Clift, Daniel Murfet, James Wallbridge

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

Comments 16 pages, 7 figures

Process Discovery for Structured Program Synthesis

Dell Zhang, Alexander Kuhnle, Julian Richardson, Murat Sensoy

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

Synthetic Datasets for Neural Program Synthesis

Richard Shin, Neel Kant, Kavi Gupta, Christopher Bender, Brandon Trabucco, Rishabh Singh, Dawn Song

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

Comments ICLR 2019

Code Generation as a Dual Task of Code Summarization

Bolin Wei, Ge Li, Xin Xia, Zhiyi Fu, Zhi Jin

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

Comments To appear at the 33rd Conference on Neural Information Processing Systems (NeurIPS) 2019

Neural Program Synthesis By Self-Learning

Yifan Xu, Lu Dai, Udaikaran Singh, Kening Zhang, Zhuowen Tu

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

JuICe: A Large Scale Distantly Supervised Dataset for Open Domain Context-based Code Generation

Rajas Agashe, Srinivasan Iyer, Luke Zettlemoyer

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

Ain't Nobody Got Time For Coding: Structure-Aware Program Synthesis From Natural Language

Jakub Bednarek, Karol Piaskowski, Krzysztof Krawiec

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

Memory Augmented Policy Optimization for Program Synthesis and Semantic Parsing

Chen Liang, Mohammad Norouzi, Jonathan Berant, Quoc Le, Ni Lao

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

Comments 17 Pages, 4 figures, 7 tables, accepted as a spotlight paper for NeurIPS 2018, camera ready version, fixed a typo in table 4

NAPS: Natural Program Synthesis Dataset

Maksym Zavershynskyi, Alex Skidanov, Illia Polosukhin

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

Comments 4 pages, 5 tables in 2nd Workshop on Neural Abstract Machines & Program Induction (NAMPI), @ICML 2018

Program Synthesis Through Reinforcement Learning Guided Tree Search

Riley Simmons-Edler, Anders Miltner, Sebastian Seung

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

Comments 9 pages, 5 figures, Submitted to NIPS 2018 conference

Abstract Syntax Networks for Code Generation and Semantic Parsing

Maxim Rabinovich, Mitchell Stern, Dan Klein

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

Comments ACL 2017. MR and MS contributed equally

A Syntactic Neural Model for General-Purpose Code Generation

Pengcheng Yin, Graham Neubig

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

Comments To appear in ACL 2017

Perceptual Self-Reflection in Agentic Physics Simulation Code Generation

感知性自我反思在代理物理模拟代码生成中的应用

Prashant Shende, Bradley Camburn

机构 * Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 本文提出了一种多代理框架，通过感知性自我反思机制提升物理模拟代码生成的准确性与稳定性，验证了视觉反馈在物理模拟任务中的有效性。

Comments 15 pages, 2 figures, 2 tables. Introduces a multi-agent architecture for physics simulation code generation with perceptual self-reflection via vision-based validation. Includes qualitative evaluation across multiple physics domains

NALA_MAINZ at BLP-2025 Task 2: A Multi-agent Approach for Bangla Instruction to Python Code Generation

NALA_MAINZ 在 BLP-2025 任务 2 中的多智能体方法：用于孟加拉语指令到 Python 代码生成

Hossain Shaikh Saadi, Faria Alam, Mario Sanz-Guerrero, Minh Duc Bui, Manuel Mager, Katharina von der Wense

机构 * Johannes Gutenberg University Mainz（美因茨雅各布·冯·蒂泽大学） ； Saarland University（萨尔兰大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文提出了一种基于多智能体的框架，通过生成和调试代理协同工作，实现从孟加拉语指令到 Python 代码的高效生成，并在 BLP-2025 任务中取得优异成绩。

Comments BLP 2025 Shared Task 2 - Code Generation in Bangla

DeepCodeSeek: Real-Time API Retrieval for Context-Aware Code Generation

Esakkivel Esakkiraja, Denis Akhiyarov, Aditya Shanmugham, Chitra Ganapathy

机构 * ServiceNow, Inc.（ServiceNow公司） 纠错

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

Comments Retrieval-Augmented Generation, API Prediction, Context-Aware Code Generation, Enterprise Code Completion, Reinforcement Learning, ServiceNow, Real-Time Code Search, Query Enhancement, Fine-Tuning, Embedding, Reranker

Evaluation of the Code Generation Capabilities of ChatGPT 4: A Comparative Analysis in 19 Programming Languages

L. C. Gilbert

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

Comments 65 pages, in German, Bachelor's thesis on the evaluation of ChatGPT 4's code generation capabilities in 19 programming languages, University of Potsdam, June 2024

EVOR: Evolving Retrieval for Code Generation

Hongjin Su, Shuyang Jiang, Yuhang Lai, Haoyuan Wu, Boao Shi, Che Liu, Qian Liu, Tao Yu

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

Comments Retrieval-augmented code generation

Enhancing the Non-Functional Quality Compliance of LLM-Generated Code through Quality-Aware Preference Learning

通过质量感知偏好学习增强大语言模型生成代码的非功能质量合规性

Liang Lu, Yuan Jiang, Christoph Treude, Shuzheng Gao, Jingyu Xiao, Xiaohong Su, Michael R. Lyu

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

AI总结 针对LLM生成代码存在的非功能质量合规性问题，提出质量感知偏好学习框架，通过三阶段方法提升代码合规性，在保持功能正确的同时实现显著性能提升，具备良好实用价值。

What You See Is What You Get: Observation-Aligned Supervision for Chart-to-Code Generation

所见即所得：图表到代码生成的观察对齐监督

Tianhao Niu, Qingfu Zhu, Wanxiang Che

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究中心） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 研究图表到代码生成，指出用参考绘图脚本监督微调存在问题，引入观察对齐监督框架，用视觉观察约束量替代潜在原始数据目标，实验证明可提升可观察值恢复。

ExeCRE: Execution-Consistency Guided Reliability Estimation for Self-Correcting Code Generation

ExeCRE：基于执行一致性引导的自校正代码生成可靠性估计

Yiru Dong, Richong Zhang, Fanshuang Kong, Si Chen

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

AI总结 ExeCRE是基于执行一致性的代码可靠性估计框架，可减少自校正代码生成中的误导性反馈，提升有效性与稳定性，在GPT-5.2搭配LiveCodeBench及数学推理场景均有显著收益。

Comments 13 pages, 5 figures. Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

Pattern over Pixels: Measuring Pattern Completion Bias in Multimodal Code Generation

像素上的模式：测量多模态代码生成中的模式完成偏差

Khai-Nguyen Nguyen, Oscar Chaparro, Antonio Mastropaolo

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

AI总结 该研究针对多模态代码生成中存在的模式完成偏差问题，构建了首个视觉模式完成偏差基准，评估发现前沿MLLMs均存在严重偏差，且偏差与视觉显著性密切相关。

Comments 41st IEEE/ACM International Conference on Automated Software Engineering

Route-Align-Verify for Functional Correctness in Code Generation

用于代码生成功能正确性的Route-Align-Verify

Erxue Zhou, Jingxiang Meng, Aofan Liu

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

AI总结 本文提出RAV框架，通过Route、Align、Verify三阶段协同优化，在不修改骨干模型的情况下，于MBPP基准上实现代码生成功能正确性的显著提升，性能优于基础模型。

Compiled AI: Deterministic Code Generation for LLM-Based Workflow Automation

编译AI：基于LLM的工作流自动化确定性代码生成

Geert Trooskens, Aaron Karlsberg, Anmol Sharma, Lamara De Brouwer, Max Van Puyvelde, Matthew Young, John Thickstun, Gil Alterovitz, Walter A. De Brouwer

机构 * XY.AI Labs, Palo Alto, CA（XY.AI实验室，帕洛阿尔托） ； Stanford University School of Medicine, Stanford, CA（斯坦福大学医学院，斯坦福） ； Cornell University, Department of Computer Science, Ithaca, NY（康奈尔大学计算机科学系，伊萨卡） ； Brigham and Women’s Hospital / Harvard Medical School, Boston, MA（布莱根妇女医院/哈佛医学院，波士顿） 纠错

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

AI总结 本文研究编译AI，一种大语言模型在编译阶段生成可执行代码，随后工作流确定性执行的范式。重点探讨其在高风险企业工作流中的应用，尤其在医疗领域，强调可靠性与可审计性。

Comments 14 pages, 2 figures, 3 tables

RLPF: Reinforcement Learning from Performance Feedback for Code Generation

RLPF：基于性能反馈的代码生成强化学习

Huihao Jing, Haozhe Cui, Wenbin Hu, Shaojin Chen, Haochen Shi, Changxuan Fan, Yuxuan Liu, Hanyu Yang, Sirui Zhang, Ziyi Chen, Haoran Li, Yangqiu Song

机构 * HKUST（香港科技大学） 纠错

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

AI总结 该研究提出RLPF方法，将执行结果转化为分阶段奖励，微调Qwen3-32B后提升了代码生成的正确性与效率，模型性能可适度迁移，验证了代码智能体可优化生成程序。

AssumptionMiner: Extracting, Tracing, and Revising Implicit Assumptions in LLM Code Generation

假设挖掘器：在大语言模型代码生成中提取、追踪和修正隐式假设

Jie "JW" Wu

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

AI总结 研究LLMs代码生成中隐式假设问题，提出AssumptionMiner框架，能生成显式假设层并实现针对性代码再生。通过新基准测试评估，结果显示该框架提升了代码生成的透明度与可控性。

Comments 20 pages, 6 figures, 9 tables. Submitted to IEEE Transactions on Software Engineering. Replication package: https://doi.org/10.5281/zenodo.21535058

Dependency-Guided Code Generation: Structured Matrix Decomposition and Consistency-Guided Refinement

依赖引导的代码生成：结构化矩阵分解与一致性引导的细化

Mingqiao Mo, Yangchen Zeng, Zikai Xiao, Xin Xiao, Wenhua Nie, Zhaolu Kang, Guangyuan Dong, Kai Shu, Hao Zhang, Xiaodong Fan

机构 * University of the Chinese Academy of Sciences（中国科学院大学） ； ByteDance Inc.（字节跳动公司） ； Zhejiang University（浙江大学） ； National Taiwan University（台湾国立大学） ； Peking University（北京大学） ； Alibaba Group（阿里巴巴集团） ； Tsinghua University（清华大学） ； Liaoning Technical University（辽宁技术大学） 纠错

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

AI总结 针对现有代码生成方法无法充分捕捉代码实体依赖关系的问题，提出依赖感知代码生成框架，通过结构化矩阵分解和一致性引导细化生成代码，经实验验证该方法能生成语义对齐和结构保真度更高的代码。

Comments 12 pages

MineValiCoder: Reliable Code Generation with Test Case Quality Mining and Bipartite Graph-Based Mutual Validation

MineValiCoder：通过测试用例质量挖掘和基于二分图的相互验证实现可靠的代码生成

Zhen Zhao, Qihang Yang, Feifei Dai, Xiangfang Li, Bo Li

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

AI总结 研究针对基于大语言模型的测试驱动开发中现有方法的不足，提出MineValiCoder框架，通过测试用例质量挖掘、并行TDD优化和二分图代码-测试相互验证三个模块，有效减轻LLM随机性，提升自动代码生成可靠性，在多基准测试中表现优异。

Comments 12 pages, 3 figures, 7 tables

Demonstrating GenDB: Instance-Optimized and Customized Query Processing Code Generation via LLM Agents

展示GenDB：通过大语言模型代理实现实例优化和定制化查询处理代码生成

Jiale Lao, Immanuel Trummer

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 研究针对传统查询处理引擎扩展难题，提出GenDB生成式查询引擎，借助大语言模型代理生成代码。核心方法是通过LLM agents为特定场景生成优化代码，主要贡献是展示其工作流程、性能优势并提供用户探索平台。

Comments Accepted by VLDB 2026 (Demo)