代码大模型 / AI 编程

Random Hash Code Generation for Cancelable Fingerprint Templates using Vector Permutation and Shift-order Process

Sani M. Abdullahi, Sun Shuifa

专题命中 代码生成 ：code generation(title)

Comments 10 pages, 5 figures

Semi-Automated Protocol Disambiguation and Code Generation

Jane Yen, Tamás Lévai, Qinyuan Ye, Xiang Ren, Ramesh Govindan, Barath Raghavan

专题命中 代码生成 ：code generation(title)

Cain: Automatic Code Generation for Simultaneous Convolutional Kernels on Focal-plane Sensor-processors

Edward Stow, Riku Murai, Sajad Saeedi, Paul H. J. Kelly

专题命中 代码生成 ：code generation(title)

Comments 17 pages, 4 figures, Accepted at LCPC 2020 to be published by Springer

Highly Efficient Lattice-Boltzmann Multiphase Simulations of Immiscible Fluids at High-Density Ratios on CPUs and GPUs through Code Generation

Markus Holzer, Martin Bauer, Ulrich Rüde

专题命中 代码生成 ：code generation(title)

Comments 17 pages, 9 figures

Code generation for generally mapped finite elements

Robert C. Kirby, Lawrence Mitchell

专题命中 代码生成 ：code generation(title)

Comments 23 pages

Journal ref ACM Transactions on Mathematical Software 45(41):1-23 (2019)

pylustrator: Code generation for reproducible figures for publication

Richard Gerum

专题命中 代码生成 ：code generation(title)

Comments 4 pages, 2 figures

fmmgen: Automatic Code Generation of Operators for Cartesian Fast Multipole and Barnes-Hut Methods

Ryan Alexander Pepper, Hans Fangohr

专题命中 代码生成 ：code generation(title)

Comments 10 pages, 5 figures

Imperative Program Synthesis from Answer Set Programs

Sarat Chandra Varanasi

专题命中 代码生成 ：program synthesis(title)

Comments In Proceedings ICLP 2019, arXiv:1909.07646

Journal ref EPTCS 306, 2019, pp. 413-417

High-Performance Code Generation though Fusion and Vectorization

Jason Sewall, Simon J. Pennycook

专题命中 代码生成 ：code generation(title)

Intelligent audit code generation from free text in the context of neurosurgery

Sedigheh Khademi, Christopher Palmer, Pari Delir Haghighi, Philip Lewis, Frada Burstein

专题命中 代码生成 ：code generation(title)

Comments ISBN# 978-0-646-95337-3 Presented at the Australasian Conference on Information Systems 2015 (arXiv:1605.01032)

OPESCI-FD: Automatic Code Generation Package for Finite Difference Models

Tianjiao Sun

专题命中 代码生成 ：code generation(title)

A novel code generation methodology for block diagram modeler and simulators Scicos and VSS

Jean-Philippe Chancelier, Ramine Nikoukhah

专题命中 代码生成 ：code generation(title)

Automatic code generation enables nuclear gradient computations for fully internally contracted multireference theory

Matthew K. MacLeod, Toru Shiozaki

专题命中 代码生成 ：code generation(title)

Journal ref J. Chem. Phys. 142, 051103 (2015)

Optimising Code Generation with haggies

Thomas Reiter

专题命中 代码生成 ：code generation(title)

Comments 66 pages, 5 figures, program files for download at http://www.nikhef.nl/~thomasr/

Journal ref Comput.Phys.Commun.181:1301-1331,2010

OMP2HMPP: HMPP Source Code Generation from Programs with Pragma Extensions

Albert Saà-Garriga, David Castells-Rufas, Jordi Carrabina

专题命中 代码生成 ：code generation(title)

Comments Proceedings of HIP3ES Workshop, Vienna, January, 21st 2014

From Physics Model to Results: An Optimizing Framework for Cross-Architecture Code Generation

Marek Blazewicz, Ian Hinder, David M. Koppelman, Steven R. Brandt, Milosz Ciznicki, Michal Kierzynka, Frank Löffler, Erik Schnetter, Jian Tao

专题命中 代码生成 ：code generation(title)

Comments 18 pages, 4 figures, accepted for publication in Scientific Programming

Automatic Multi-GPU Code Generation applied to Simulation of Electrical Machines

Antonio Wendell De Oliveira Rodrigues, Frédéric Guyomarc'H, Jean-Luc Dekeyser, Yvonnick Le Menach

专题命中 代码生成 ：code generation(title)

Comments Compumag 2011

Automated code generation for discontinuous Galerkin methods

Kristian B. Ølgaard, Anders Logg, Garth N. Wells

专题命中 代码生成 ：code generation(title)

Journal ref SIAM J. Sci. Comput. 31(2), 2008, pp. 849-864

Efficient Implementation of the Generalized Tunstall Code Generation Algorithm

Michael B. Baer

专题命中 代码生成 ：code generation(title)

Comments 5 pages, 5 figures, accepted to ISIT 2009

Code generation (automatized programming) of symbolic formulae for helicity amplitudes

P. Cherzor

专题命中 代码生成 ：code generation(title)

Comments 13 pages, LaTeX, axodraw.sty

An Empirical Study of Speculative Decoding on Software Engineering Tasks

对软件工程任务中投机解码的实证研究

Yijia Li, Junkai Chen, Xing Hu, Xin Xia

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

AI总结 本文通过实证研究评估了投机解码在软件工程任务中的有效性，发现其在代码生成、修复和编辑任务中表现各异，模型基于方法适合生成，模型无关方法更适合仓库级任务，且任务重复性提升模型无关方法性能。

Comments Accepted by ISSTA 2026

Optimizing CUDA like a Human: Micro-Profiling Tools as Expert Surrogates for LLM-Based GPU Kernel Optimization

像人类一样优化CUDA：微剖析工具作为基于LLM的GPU内核优化的专家替代品

Jiading Gai, Shuai Zhang, Kaj Bostrom, Jin Huang, Vihang Patil, Haoyang Fang, Bernie Wang, Huzefa Rangwala, George Karypis

机构 * Amazon（亚马逊） ； Siemens（西门子） ； University of Minnesota（明尼苏达大学） 纠错

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

AI总结 提出KernelPro闭环多智能体系统，通过LLM代码生成与硬件剖析反馈及可插拔瓶颈检测工具迭代优化GPU内核，在KernelBench上实现2.42x/4.69x/5.30x加速比，并首次兼顾能效优化。

CURATE: Leveraging LLM Agents to Compose, Catalog, and Deploy Reproducible Workflows

CURATE：利用大语言模型智能体构建、编目和部署可复现工作流

Nolan Cutler, Chia-Chen Kuo, Nanda Velugoti, Kathryn Newhart, Renato Figueiredo

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

AI总结 该研究提出CURATE多智能体系统，覆盖工作流全生命周期，通过模块目录支持FAIR原则，用Claude Opus 4.8原型验证，完成6项含基准工作流复现及环境工程工作流开发的实验。

Comments 8 pages, 3 figures

Learning to Detect UI Principle Violations via Reinforcement Learning

通过强化学习学习检测用户界面原则违规

Nishi Mehta, Swathi Alse, Himani Kumawat, Yue Yu, Pratik Jayarao

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究小型语言模型和编码代理生成的网页前端代码违反界面质量原则的问题，通过统一多来源的界面质量原则，构建数据集并利用强化学习训练轻量级视觉语言模型作为评判器，提升检测效果并发布相关方法支持评估和后续工作。

RIDGE: An Autonomous Framework for Validation and Method Discovery in LLM-Generated Option Pricing

RIDGE：一个用于验证和发现大语言模型生成的期权定价方法的自主框架

Liexin Cheng, Xue Cheng, Shuaiqiang Liu, Cornelis W. Oosterlee

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

AI总结 针对大语言模型生成的期权定价实现，介绍自主验证框架RIDGE，通过多种测试和检查优化定价实现与验证方法，应用于五个随机波动率模型，消除缺陷并带来新定价方法。

Comments 33 pages

TraceDev: A Traceability-Driven Multi-agent Framework for Requirement-to-Code Development

TraceDev：一种用于需求到代码开发的可追溯性驱动的多智能体框架

Mingyu Chen, Yakun Zhang, Zihao Xie, Yixing Luo, Jinrui Xu, Cuiyun Gao, Kaiqi Zhao, Yunming Ye

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

AI总结 针对现有方法在自然语言需求到代码转换中存在的不足，提出TraceDev多智能体框架，通过五个特定角色智能体及可追溯性图，实现自动化软件开发，在两个数据集上的评估结果证明了其在需求到代码生成上的有效性。

Comments Accepted by ISSTA 2026

Agent psychometrics: Task-level performance prediction in agentic coding benchmarks

代理心理测量：在代理编码基准中的任务级性能预测

Chris Ge, Daria Kryvosheieva, Daniel Fried, Uzay Girit, Kaivalya Hariharan

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Fulcrum ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出了一种基于任务级性能预测的代理编码基准评估框架，结合IRT理论与任务特征，区分LLM和支架能力，以更准确预测未见基准和组合的性能。

SEVRA-BENCH: Social Engineering of Vulnerabilities in Review Agents

SEVRA-BENCH：审查智能体中的社会工程漏洞

Rui Melo, Riccardo Fogliato, Sean Zhou, Pratiksha Thaker, Zhiwei Steven Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Microsoft Core AI（微软核心人工智能） ； Amazon AWS（亚马逊AWS） ； Databricks 纠错

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

AI总结 提出SEVRA-BENCH基准，通过社会工程攻击框架评估LLM代码审查智能体拒绝恶意PR的能力，发现闭源与开源模型间存在显著安全差距。

When Do Intrinsic Rewards Work for Code Reasoning? A Comprehensive Study

内在奖励何时对代码推理有效？一项全面研究

Xiaolong Jin, Xuandong Zhao, Wenbo Guo, Xiangyu Zhang, Dawn Song

机构 * Purdue University（普渡大学） ； UC Berkeley（加州大学伯克利分校） ； UC Santa Barbara（加州大学圣塔芭芭拉分校） 纠错

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

AI总结 通过系统实验，发现基于确定性的内在奖励方法在代码生成中早期有效但最终导致模型崩溃，且作为RLVR预训练无显著优势，并给出实用建议。

Comments 18 pages, 45 figures

EvoTrainer: Co-Evolving LLM Policies and Training Harnesses for Autonomous Agentic Reinforcement Learning

EvoTrainer: 协同进化LLM策略与训练框架以实现自主智能体强化学习

Guhong Chen, Yingcheng Shi, Yongbin Li, Binhua Li, Xander Xu, Hu Wei, Shiwen Ni, Min Yang, Jieping Ye

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Tongyi Lab , Alibaba Group（通义实验室，阿里巴巴集团） ； Alibaba Group（阿里巴巴集团） ； SUAT（深圳大学） 纠错

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

AI总结 提出EvoTrainer框架，通过协同进化LLM策略和训练端框架，基于经验反馈自动诊断、修正并积累可复用技能，在数学推理、编程竞赛和仓库级软件工程任务上匹配或超越人工设计的RL基线。