代码大模型 / AI 编程

Programming with Applicative-like expressions

Jan Malakhovski, Sergei Soloviev

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

Comments 18 pages

"Why did you do that?": Explaining black box models with Inductive Synthesis

Görkem Paçacı, David Johnson, Steve McKeever, Andreas Hamfelt

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

Comments 12 pages, 1 figure, accepted for publication at the Solving Problems with Uncertainties workshop as part of ICCS 2019, Faro, Portugal, June 12-14

Toward Imitating Visual Attention of Experts in Software Development Tasks

Yoshiharu Ikutani, Nishanth Koganti, Hideaki Hata, Takatomi Kubo, Kenichi Matsumoto

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

Comments 4 pages, EMIP 2019

Algorithms for Runtime Generation of Homogeneous Classes of Objects

Dmytro O. Terletskyi

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

Comments International Conference on Cyber Security and Computer Science (ICONCS'18), October 18-20, 2018, Safranbolu, Turkey

Inference Over Programs That Make Predictions

Yura Perov

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

Comments The International Conference on Probabilistic Programming, 2018

StructVAE: Tree-structured Latent Variable Models for Semi-supervised Semantic Parsing

Pengcheng Yin, Chunting Zhou, Junxian He, Graham Neubig

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

Comments ACL 2018

Comparative Study of Eight Formal Specifications of the Message Authenticator Algorithm

Hubert Garavel, Lina Marsso

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

Comments In Proceedings MARS/VPT 2018, arXiv:1803.08668

Journal ref EPTCS 268, 2018, pp. 41-87

Differentiable Functional Program Interpreters

John K. Feser, Marc Brockschmidt, Alexander L. Gaunt, Daniel Tarlow

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

Summary - TerpreT: A Probabilistic Programming Language for Program Induction

Alexander L. Gaunt, Marc Brockschmidt, Rishabh Singh, Nate Kushman, Pushmeet Kohli, Jonathan Taylor, Daniel Tarlow

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

Comments 7 pages, 2 figures, 4 tables in 1st Workshop on Neural Abstract Machines & Program Induction (NAMPI), @NIPS 2016

TerpreT: A Probabilistic Programming Language for Program Induction

Alexander L. Gaunt, Marc Brockschmidt, Rishabh Singh, Nate Kushman, Pushmeet Kohli, Jonathan Taylor, Daniel Tarlow

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

Comments 50 pages, 20 figures, 4 tables

Proceedings of the First Workshop on Program Transformation for Programmability in Heterogeneous Architectures

Salvador Tamarit, Julio Mariño, Guillermo Vigueras, Manuel Carro

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

A visual programming language for drawing and executing flowcharts

Drazen Lucanin, Ivan Fabek

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

Comments 6 pages, conference paper

Journal ref Proceedings of the 34th International Convention MIPRO, 23-27 May 2011, p. 1679-1684

JaCoText: A Pretrained Model for Java Code-Text Generation

Jessica López Espejel, Mahaman Sanoussi Yahaya Alassan, Walid Dahhane, El Hassane Ettifouri

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

Comments International Conference on Code Generation and Implementation Volume: 17

Journal ref Espejel, J. L., Alassan, M. S. Y., Dahhane, W., & Ettifouri, E. H. (2023). JaCoText: A Pretrained Model for Java Code-Text Generation. International Journal of Computer and Systems Engineering, 17(2), 100-105

OpenSBLI: A framework for the automated derivation and parallel execution of finite difference solvers on a range of computer architectures

Christian T. Jacobs, Satya P. Jammy, Neil D. Sandham

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

Comments Author accepted version, with a small amendment: the link in the "Code Availability" section has been updated, and now refers to the OpenSBLI source code repository on GitHub. Accepted for publication in the Journal of Computational Science on 8 November 2016

Journal ref Journal of Computational Science 18 (2017) 12-23

AgentDV: Closed-Loop Agentic AI for Hardware Design Verification

AgentDV：用于硬件设计验证的闭环智能体AI

Navya Goli, Junzhe Liu, Zhenge Jia, Umamaheswara Rao Tida

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

AI总结 AgentDV是用于自动RTL验证的闭环智能体AI框架，通过三项关键技术优化，在三类LLM上显著提升了测试平台的通过率与代码、分支覆盖度。

Exploring the Role of LLMs in HPC Programming: A Survey

探索大语言模型（LLM）在高性能计算（HPC）编程中的作用：一项综述

Strahinja Ljaljevic, Josep Jorba, Sergio Iserte

机构 * Universitat Oberta de Catalunya (UOC)（开放大学加泰罗尼亚分校（UOC）） ； Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC）） 纠错

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

AI总结 本综述梳理了LLM在HPC编程五大类任务中的应用，指出通用LLM在串行等任务表现尚可但分布式范式不足，领域专用模型准确率更高但范围狭窄，LLM短期内无法取代HPC专家，将成为软件开发的强大合作者，二者融合是长期共同演化过程。

Journal ref Future Generation Computer Systems, 2026, 108618, ISSN 0167-739X

InternBootcamp: Boosting LLM Reasoning with Verifiable Task Scaling

InternBootcamp 技术报告：通过可验证的任务扩展提升大语言模型推理能力

Peiji Li, Jiasheng Ye, Yongkang Chen, Linyang Li, Yichuan Ma, Zijie Yu, Ganqu Cui, Haozhan Li, Jiacheng Chen, Chengqi Lyu, Wenwei Zhang, Qipeng Guo, Dahua Lin, Bowen Zhou, Kai Chen

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出InternBootcamp框架，通过可验证的任务扩展方法提升大语言模型的推理能力，为基于强化学习的模型优化、合成数据生成和模型评估提供了基础设施。

''You Can't Open an LLM With a Screwdriver'': The De-Democratization of Software

“你不能用螺丝刀打开大语言模型”：软件的去民主化

Zixuan Feng, Italo Santos, Kostadin Damevski, Anita Sarma

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

AI总结 本文指出AI虽扩大代码生成获取范围但或使软件控制权集中，软件工程专业知识重心转向意图规范，并提出教育、工具和政策领域的研究机遇以应对AI时代挑战。

Comments Accepted to the ACM AI Leadership Summit 2026

Aging of Prompt Engineering Techniques Across LLM Versions

提示工程技术在大语言模型版本间的老化现象

Anastasiia Rudyk, Julian Oertel, Regina Hebig

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

AI总结 本研究通过评估三类模型对的五种提示技术，发现提示工程效果随LLM代际以模型家族特定方式老化，需针对性调整而非照搬。

Comments Accepted at ICSME 2026

Markets, Not Planners: Decentralized Orchestration of LLM Agents with Private Information

市场而非规划者：利用私有信息对大语言模型智能体进行去中心化协调

Xiao Liu, Haoyang Li, Songwei Li, Hongbo Fang, Fengli Xu, Feng Shi, James Evans

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

AI总结 针对中心化LLM智能体协调的瓶颈与易操控问题，提出去中心化的AgentLance重复劳动力市场机制，经多类任务验证，其匹配专长、转向廉价智能体的表现优于基线方法，还可通过修正市场失灵进一步提升效率。

Comments Working paper

LongWoF-Bench: Evaluating EvoMap Genes for Verifiable Long-Workflow Tasks

LongWoF-Bench：评估用于可验证长工作流任务的EvoMap基因

Xiao Zhang, Qumeng Sun, Jiahao Li, Yiming Ren, Xiang Liu, Haoyang Zhang, Junjie Wang

机构 * EvoMap ； Tsinghua University（清华大学） 纠错

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

AI总结 该研究提出LongWoF-Bench基准，发现通过EvoMap将验证的执行轨迹转化为可复用的Gene，能显著提升多模型在长工作流任务上的表现，且优于Skill和参考蒸馏的Gene。

Self-Evolving Scientific Agent Designs Physically-Reasoned Whitebox Fluid Control

自进化科学智能体发现可泛化的物理推理流体控制

Boai Sun, Wenjin Guo, Zongmin Yu, Liu Yang

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出一种由大语言模型驱动的自进化科学智能体工作流，通过迭代代码生成和物理仿真诊断，自动构建可解释的控制器，并在欠驱动双关节狗鲨游泳器目标到达任务中实现零样本泛化。

Efficient LLM Collaboration via Planning

通过规划实现高效的LLM协作

Byeongchan Lee, Jonghoon Lee, Dongyoung Kim, Jaehyung Kim, Kyungjoon Park, Dongjun Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） 纠错

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

AI总结 本文提出COPE框架，通过规划模型与执行模型的协作，提升小模型和大模型在复杂任务中的性能，同时显著降低推理成本。

Comments Accepted at TMLR 2026

QiMeng-ChipV-RTL: Exploiting Information Locality for IP-level Verilog Generation

LocalV: 利用信息局部性进行IP级Verilog生成

Hanqi Lyu, Di Huang, Yaoyu Zhu, Kangcheng Liu, Bohan Dou, Chongxiao Li, Pengwei Jin, Shuyao Cheng, Rui Zhang, Zidong Du, Qi Guo, Xing Hu, Yunji Chen

机构 * University of Science（科学大学） ； SKL of Processors, Institute of Computing Technology, CAS（处理器研究所，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 LocalV通过利用模块化硬件设计中的信息局部性，解决IP级Verilog生成中的长文档处理、长代码生成和调试挑战，实现更高的生成准确率。

Decision-Support and Modeling with Large Language Models for Geothermal Well Arrays

面向地热井阵列的大型语言模型决策支持与建模

Edwin Ouko, Emmanuel Lujan, Alan Edelman, Robert Metcalfe

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

AI总结 本研究评估ChatGPT等前沿LLMs在地热领域的应用潜力，提出用NotebookLM加速生成地热基准，分析地热井阵列等技术的机遇，还展示了LLMs助力地热数值模型自动并行化的案例。

Comments 10 pages, 8 figures. Presented at the 50th Workshop on Geothermal Reservoir Engineering, Stanford University, February 10-12, 2025

Journal ref Proceedings of the 50th Workshop on Geothermal Reservoir Engineering, Stanford University, SGP-TR-229 (2025)

Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol

基于检索的机器人程序生成与基于仿真的修正：通过模型上下文协议

Zhichao Zhou, Siyuan Chen, Omkar Salunkhe, Ebru Turanoglu Bekar, Johan Stahre, Anders Skoogh

机构 * Chalmers University of Technology（查尔姆斯理工大学） 纠错

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

AI总结 该研究针对柔性制造中机器人快速重编程需求，提出结合RAG与MCP的工作流，可生成并修正ABB RAPID机器人程序，借助仿真暴露代码执行故障，减少专家监督需求。

Comments Accepted by CIE53; to appear in the CIE53 Proceedings, Khalifa University, Abu Dhabi, UAE, October 20-23, 2026

Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language

用领域特定语言改进神经偏微分方程求解器的自动设计

Shengxin Kong, Liwen Xu, Jingwen Fu

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

AI总结 该研究提出ADSL-PDE领域特定语言，通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性，前十次迭代性能提升超52%。

Vibe Coding: Practice, Performance, Productivity, and Risk -A State-of-the-Art Review

Vibe编程：实践、性能、生产力与风险——一项最新进展综述

Dominik L. Michels, Mutaz Abu Ghazaleh, Francois Lazzari, Nabil Kassem, Jonathan Klein

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

AI总结 本综述针对2025年提出的Vibe编程，梳理跨学科实证证据，发现其代码生成可靠但故障检测弱，生产力结果因测量方式等差异存在分歧，还存在安全、版权及技能萎缩问题，提出新代码收益真实、成熟代码收益收缩的猜想。

Maximum Likelihood Reinforcement Learning

最大似然强化学习

Fahim Tajwar, Guanning Zeng, Yueer Zhou, Yuda Song, Daman Arora, Yiding Jiang, Jeff Schneider, Ruslan Salakhutdinov, Haiwen Feng, Andrea Zanette

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

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

AI总结 MaxRL是一种基于采样的强化学习框架，通过最大似然估计提升模型训练效率，实验显示其在多个任务中表现优于现有方法。

Comments ICML 2026. Project website: https://zanette-labs.github.io/MaxRL/

When Looks Do Not Lie: Discourse Structure Guided In-Context Learning for Faithful Diagram Generation

用上下文示例能改进教育图表生成吗？如果幻觉破坏了整体效果就不能

Evanfiya Logacheva, Arto Hellas, Tsvetomila Mihaylova, Juha Sorva, Ava Heinonen, Juho Leinonen

机构 * Aalto University（阿尔托大学） 纠错

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

AI总结 本研究通过基于RST的上下文示例方法改进教育图表生成，发现高复杂度上下文增加幻觉风险，LLMs难以检测错误。