代码大模型 / AI 编程

Vision2Code: A Multi-Domain Benchmark for Evaluating Image-to-Code Generation

Vision2Code：一个多领域评估图像到代码生成的基准

Ajay Vikram Periasami, Junlin Wang, Bhuwan Dhingra

机构 * Duke University（杜克大学） 纠错

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

AI总结 Vision2Code提出一个无需参考代码的多领域图像到代码生成评估框架，通过2169个测试示例评估模型生成代码的质量，发现性能依赖于领域，且通过筛选器的模型输出可提升生成能力。

Comments Project page: https://image2code.github.io/vision2code/

Using Semantic Distance to Estimate Uncertainty in LLM-Based Code Generation

利用语义距离估计基于大语言模型的代码生成的不确定性

Weilin He, Arindam Sharma, Cristina David

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

AI总结 本文提出基于语义距离的不确定性估计方法，通过衡量生成程序执行行为的差异性，提升代码生成的正确性评估效果，在多个基准测试中优于现有方法。

Comments Preprint. 23 pages, 4 figures

Assessing, Exploiting, and Mitigating Syntactic Robustness Failures in LLM-Based Code Generation

评估、利用和缓解基于LLM的代码生成中的语法鲁棒性故障

Laboni Sarker, Mara Downing, Achintya Desai, Tevfik Bultan

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

AI总结 研究评估LLM在代码生成中语法鲁棒性，发现其在包含数学公式的提示下存在缺陷，提出预处理步骤提升鲁棒性，使鲁棒性从54.05%提升至74.42%。

Comments 12 pages, 12 figures. Attack strategies and more experimental evaluation is added. Result and big picture remains the same

Journal ref In Proceedings of the 2026 IEEE/ACM Third International Conference on AI Foundation Models and Software Engineering (FORGE'26), April 12-13, 2026, Rio de Janeiro, Brazil. ACM, New York, NY, USA, 12 pages

Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation

基于可证明预算保守的检索条件拓扑选择多智能体代码生成

Abhijit Talluri, Pujith Anne, Bhagavan Choudary Pendiyala, Raghavendra Chilukuri

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出RGAO架构，通过提取代码结构复杂度向量实现多智能体代码生成系统的拓扑选择，结合复杂度条件LLM路由与形式资源代数，实现可证明的预算保守性，降低误路由率并提升代码检索效率。

Comments 30 pages, 9 figures. NeurIPS 2026 Evaluations and Datasets Track Submission Under review

GA-VisAgent: A Multi-Agent application for code generation and visualization in interactive learning

GA-VisAgent：一种用于交互式学习中代码生成和可视化的多智能体应用

Wang Jian, Zhou Jianbo, Xiong Yuhao, Liu Zhenxia, Luo Wen, Yuan LinWang, Yu ZhaoYuan

机构 * School of Geography, Nanjing Normal University, Nanjing 210023, Jiangsu, China（地理学院，南京师范大学） ； School of Environment, Nanjing Normal University, Nanjing 210023, Jiangsu, China（环境学院，南京师范大学） ； Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing Normal University, Nanjing 210023, Jiangsu, China（虚拟地理环境重点实验室，南京师范大学） ； Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development（江苏省地理信息资源开发与应用协同创新中心） 纠错

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

AI总结 GA-VisAgent基于GAGPT提出多智能体应用，通过任务规划和ReAct策略生成代码并提供可视化，实验显示在40个典型Conformal GA任务中代码生成成功率达90%，比GPT-4o提升70%。

When Prompt Under-Specification Improves Code Correctness: An Exploratory Study of Prompt Wording and Structure Effects on LLM-Based Code Generation

当提示不足提升代码正确性：对提示语言和结构影响LLM代码生成的探索性研究

Amal AKLI, Mike PAPADAKIS, Maxime CORDY, Yves Le TRAON

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

AI总结 研究探讨提示结构、任务复杂度和说明丰富度如何影响LLM的鲁棒性，发现提示不足在某些情况下能提升代码正确性，且结构丰富任务描述可缓解提示不足的负面影响。

HiRAS: A Hierarchical Multi-Agent Framework for Paper-to-Code Generation and Execution

HiRAS：一种用于论文到代码生成与执行的分层多智能体框架

Hanhua Hong, Yizhi LI, Jiaoyan Chen, Sophia Ananiadou, Xiaoli Li, Jung-jae Kim, Chenghua Lin

机构 * The University of Manchester（曼彻斯特大学） ； Institute for Infocomm Research (I²R), A*STAR（信息与通信研究所（I²R），A*STAR） ； ELLIS Manchester（曼彻斯特ELLIS） ； 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)；repository(abstract)；分类 cs.CL

AI总结 本文提出HiRAS，一种分层多智能体框架，通过监督管理智能体协调专业智能体完成端到端实验复现，改进了Paper2Code基准的评估方法，并验证了方法的有效性和鲁棒性。

Comments 29 pages

TreeCoder: Systematic Exploration and Optimisation of Decoding and Constraints for LLM Code Generation

TreeCoder: 对LLM代码生成解码与约束的系统探索与优化

Henrijs Princis, Arindam Sharma, Cristina David

机构 * University of Bristol（布里斯托大学） 纠错

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

AI总结 TreeCoder通过系统探索和优化解码策略与约束，提升LLM代码生成的准确性和结构，实验表明其在多个开源模型上显著优于无约束基线。

Comments 30 pages, 9 figures, 13 tables

AdaDec: A Uncertainty-Guided Lookahead Decoding Framework for LLM-Based Code Generation

AdaDec: 一种基于不确定性的前瞻性解码框架用于基于大语言模型的代码生成

Kaifeng He, Mingwei Liu, Chong Wang, Zike Li, Yanlin Wang, Xin Peng, Zibin Zheng

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

AI总结 本文提出AdaDec框架，通过结合token级暂停再排序机制，提升LLM代码生成的可靠性和效率，实验表明其在HumanEval+等基准上显著优于传统解码方法。

Comments 23 pages, 7 figures, FSE 2026

Assessing the Impact of Requirement Ambiguity on LLM-based Function-Level Code Generation

评估需求模糊性对基于LLM的函数级代码生成的影响

Di Yang, Xinou Xie, Xiuwen Yang, Ming Hu, Yihao Huang, Yueling Zhang, Weikai Miao, Ting Su, Chengcheng Wan, Geguang Pu

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

AI总结 本文提出Orchid基准，评估需求模糊性对LLM代码生成的影响，发现模糊性显著降低模型性能，且高阶模型受影响更严重，揭示了明确与模糊需求之间的性能差距。

Compact Constraint Encoding for LLM Code Generation: An Empirical Study of Token Economics and Constraint Compliance

紧凑约束编码用于LLM代码生成：关于令牌经济学和约束合规性的实证研究

Hanzhang Tang

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

AI总结 本文通过实验证明紧凑约束头可减少令牌消耗而不影响约束合规性，发现编码形式和传播模式对合规率无显著影响，但约束类型和任务领域对合规性有显著影响。

Structural Verification for Reliable EDA Code Generation without Tool-in-the-Loop Debugging

结构验证用于无需工具在回路调试的可靠EDA代码生成

Dinithi Jayasuriya, Aravind Saravanan, Nilesh Ahuja, Amanda Rios, Amit Trivedi

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

AI总结 本文提出通过强制执行结构正确性来提高EDA代码生成的可靠性与效率，采用结构依赖图作为显式执行合同，并通过验证引导合成框架进行图条件检索、约束生成和分阶段预执行验证，从而在单步和多步任务中显著提升通过率。

RECURSUM: Automated Code Generation for Recurrence Relations Exceeds Expert Optimization via LayeredCodegen

RECURSUM：通过分层代码生成实现递推关系的自动代码生成超越专家优化

Rubén Darío Guerrero

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

AI总结 RECURSUM通过分层代码生成技术，利用Python DSL生成优化的C++代码，实现递推关系的高效计算，其速度提升显著，且消除了领域知识与C++元编程的双重专业壁垒。

Comments 43 pages, 9 figures

Multi-LLM Orchestration for High-Quality Code Generation: Exploiting Complementary Model Strengths

多LLM协同生成高质量代码：利用互补模型优势

Huashan Chen, Zhenyu Qi, Haotang Li, Hong Chen, Jinfu Chen, Kebin Peng, In Kee Kim, Kyu Hyung Lee, Sen He, Weiyi Shang

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

AI总结 本文提出PerfOrch系统，通过分阶段、分类别的多模型协作提升代码生成质量，利用Memory模块选择最适合的模型，实现高准确率和效率。

Across Programming Language Silos: A Study on Cross-Lingual Retrieval-augmented Code Generation

跨越编程语言壁垒：关于跨语言检索增强型代码生成的研讨

Qiming Zhu, Jialun Cao, Xuanang Chen, Weili Zhang, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Shing-Chi Cheung

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

AI总结 本文研究了跨语言检索增强型代码生成中的知识转移，通过构建13种编程语言的14000个实例数据集，发现跨语言知识转移非 trivial，且依赖语言亲和力和预训练语料多样性。

Comments ACL 2026 Findings

Surgical Repair of Insecure Code Generation in LLMs

对LLMs中不安全代码生成的外科修复

Gustavo Sandoval, Brendan Dolan-Gavitt, Siddharth Garg

机构 * Tandon School of Engineering（坦顿工程学院） ； New York University（纽约大学） 纠错

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

AI总结 研究揭示LLMs生成不安全代码并非知识缺失，而是格式可靠性缺口问题，通过机制分析发现安全表示在最终层被格式合规需求压制，采用针对性修正向量可将不安全生成降低74%。

LLM-Based Multi-Agent Systems for Code Generation: A Multi-Vocal Literature Review

基于大语言模型的多智能体系统用于代码生成：多声调文献综述

Zeeshan Rasheeda, Muhammad Waseema, Kai-Kristian Kemella, Mika Saari, Pekka Abrahamsson

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

AI总结 本文通过多声调文献综述分析了大语言模型多智能体系统在代码生成中的应用，总结了其动机、模型、挑战及未来方向。

Comments 34 pages, 2 Figures, Table 11

Software Self-Extension with SelfEvolve: an Agentic Architecture for Runtime Code Generation

软件自我扩展与SelfEvolve：一种用于运行时代码生成的代理架构

Md Asif Iqbal Fahim, Oluwadamilola Adebayo, Alessio Ferrari

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

AI总结 本文提出SelfEvolve架构，通过自主生成和整合新功能实现运行时自我扩展，展示其在11个任务中达到92.7%的准确率，优于现有基线方法。

Comments 6 pages, 1 figure, accepted at 21st International Conference on Software Engineering for Adaptive and Self-Managing Systems, April 13--14, 2026, Rio de Janeiro, Brazil

Bridging the Gap between User Intent and LLM: A Requirement Alignment Approach for Code Generation

弥合用户意图与大语言模型之间的鸿沟：一种用于代码生成的需求对齐方法

Jia Li, Ruiqi Bai, Yangkang Luo, Yiran Zhang, Wentao Yang, Zeyu Sun, Tiankuo Zhao, Dongming Jin, Lei Li, Zhi Jin

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

AI总结 本文提出REA-Coder方法，通过需求对齐提升大语言模型的代码生成性能，实验表明其在多个编程基准测试中表现优异，平均提升率达7.93%至30.25%。

RepoShapley: Shapley-Enhanced Context Filtering for Repository-Level Code Completion

RepoShapley：基于Shapley的上下文过滤用于仓库级代码补全

Yu Huo, Kun Zeng, Siyu Zhang, Yuquan Lu, Cheng Yang, Yifu Guo, Xiaoying Tang

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

AI总结 RepoShapley通过Shapley式边际贡献监督，实现仓库级代码补全的上下文过滤，提升补全质量并减少有害上下文和冗余检索。

Comments ACL 2026 Findings

Majority Voting for Code Generation

代码生成中的多数投票

Tim Launer, Jonas Hübotter, Marco Bagatella, Ido Hakimi, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出基于功能共识的多数投票方法，通过测试输入的运行时执行签名选择最优解，提升代码生成性能，并应用于无标签的测试时强化学习。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

Exploring LLM-based Verilog Code Generation with Data-Efficient Fine-Tuning and Testbench Automation

探索基于LLM的Verilog代码生成：数据高效微调与测试平台自动化

Mu-Chi Chen, Po-Hsuan Huang, Yu-Hung Kao, Yen-Fu Liu, Yu-Kai Hung, Cheng Liang, Shao-Chun Ho, Chia-Heng Tu, Shih-Hao Hung

机构 * National Taiwan University（国立台湾大学） ； National Cheng Kung University（国立成功大学） 纠错

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

AI总结 本文提出利用多智能体模型生成高质量微调数据的测试平台，实现比现有方法更少训练数据下的Verilog生成性能。

Presynthesis: Towards Scaling Up Program Synthesis with Finer-Grained Abstract Semantics

Presynthesis：迈向通过更细粒度抽象语义扩大程序合成的规模

Rui Dong, Qingyue Wu, Danny Ding, Zheng Guo, Ruyi Ji, Xinyu Wang

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

AI总结 本文提出Presynthesis方法，通过引入离线预合成阶段，利用树自动机和oracle提升程序合成效率，显著优于现有方法。

Comments Published at PLDI 2026

Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 210 (June 2026), 25 pages

BACE: LLM-based Code Generation through Bayesian Anchored Co-Evolution of Code and Test Populations

BACE：基于大语言模型的代码生成：通过贝叶斯锚定的代码与测试种群共演化

Kaushitha Silva, Srinath Perera

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

AI总结 BACE通过贝叶斯锚定的共演化方法，改进代码生成中的测试反馈机制，提升代码与测试种群的协同进化性能。

Comments 10 Pages, 3 Figures. To appear in Proceedings of the 2026 Genetic and Evolutionary Computation Conference (GECCO '26), July 13-17, 2026, San Jose, Costa Rica

AdverMCTS: Combating Pseudo-Correctness in Code Generation via Adversarial Monte Carlo Tree Search

AdverMCTS：通过对抗性蒙特卡洛树搜索对抗代码生成中的伪正确性

Qingyao Li, Weiwen Liu, Weinan Zhang, Yong Yu, Bo An

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

AI总结 本文提出AdverMCTS，通过将代码搜索与主动漏洞发现结合，对抗代码生成中的伪正确性问题，实验表明其优于现有方法，有效降低误报率。

SLM Finetuning for Natural Language to Domain Specific Code Generation in Production

为生产环境中的自然语言到领域特定代码生成进行SLM微调

Renjini R. Nair, Damian K. Kowalczyk, Marco Gaudesi, Chhaya Methani

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

AI总结 本文研究了通过微调小型语言模型提升自然语言到领域代码生成的性能与效率，展示了在生产环境中优于大模型的延迟和成本效益。

Comments 11 pages (including appendix), 5 tables, 1 figure. Submitted to arXiv as a preprint

VeriInteresting: An Empirical Study of Model Prompt Interactions in Verilog Code Generation

VeriInteresting：关于Verilog代码生成中模型提示交互的实证研究

Luca Collini, Andrew Hennesee, Patrick Yubeaton, Siddharth Garg, Ramesh Karri

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

AI总结 本文通过实证研究探讨了在Verilog代码生成中模型推理、专业化和提示工程策略的交互影响，评估了多种大小模型在不同提示设计下的表现，揭示了模型类别对结构化提示和优化的响应模式。

Comments Submitted for peer review

When LLMs Lag Behind: Knowledge Conflicts from Evolving APIs in Code Generation

当LLM落后时：来自演进API的代码生成中的知识冲突

Ahmed Nusayer Ashik, Shaowei Wang, Tse-Hsun Chen, Muhammad Asaduzzaman, Yuan Tian

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

AI总结 本文研究了API演变对LLM代码生成的影响，发现缺乏全面文档时LLM难以优先处理外部上下文，执行率仅42.55%，而结构化文档和大模型规模可提升至66.36%，但推理策略如Self-Reflection可进一步提升11%。

UIPress: Bringing Optical Token Compression to UI-to-Code Generation

UIPress：将光学令牌压缩引入UI到代码生成

Dasen Dai, Shuoqi Li, Ronghao Chen, Huacan Wang, Biao Wu, Qizhen Lan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出UIPress，一种轻量级学习压缩模块，通过结合深度可分离卷积、元素引导的空间重加权和Transformer细化，将UI截图的视觉令牌从约6700压缩到256，结合LoRA实现表示差距桥接，提升效率并优于现有方法。

Comments 10 pages, 3 figures

Scientific Graphics Program Synthesis via Dual Self-Consistency Reinforcement Learning

通过双自一致性强化学习实现科学图形程序合成

Juekai Lin, Yun Zhu, Honglin Lin, Sijing Li, Tianwei Lin, Zheng Liu, Xiaoyang Wang, Wenqiao Zhang, Lijun Wu

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出双自一致性强化学习框架，结合高质量数据集和多维基准，提升科学图形到可编辑TikZ代码的转换能力，实现视觉与结构的高精度优化。