AlgoTouch: An Execution-Centered Approach to Incremental Construction of Imperative Programs
AlgoTouch: 一种以执行为中心的命令式程序增量构建方法
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 提出AlgoTouch系统，通过直接操作程序数据并记录执行行为，增量构建命令式程序，自动合成控制结构并生成多种主流语言代码。
AI 大模型
代码大模型 / AI 编程
代码生成、软件工程智能体、程序修复、测试生成和开发者工具。
1. 代码生成 4132 篇
KForge: LLM-Driven Cross-Platform Kernel Generation for AI Accelerators
KForge：面向AI加速器的LLM驱动跨平台内核生成
机构 * Gimlet Labs Inc（Gimlet实验室）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 提出KForge框架，通过两个协作的LLM代理（生成代理和性能分析代理）迭代优化，自动生成跨平台高性能内核，在NVIDIA B200和Intel Arc B580上分别实现2.12%的吞吐量提升和5.13倍的几何平均加速。
Comments Accepted at ISCA 2026 Workshop MLArchSys
Many a Little Makes a Mickle: A Code-Centric Empirical Study of Data Minimization Principle in Android App Development
积少成多：以代码为中心的Android应用开发中数据最小化原则的实证研究
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 通过对1114个开源Android应用的实证研究，识别出五个数据处理阶段中的十种数据最小化场景，并基于9875个真实APK的大规模分析提炼出31条可操作的编码指南，同时发现LLM生成的代码会重现数据最小化风险实践，而纳入指南可消除这些问题。
DFlare: Scaling Up Draft Capacity for Block Diffusion Speculative Decoding
DFlare: 扩展块扩散推测解码的草稿容量
机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Tencent（腾讯）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 提出DFlare方法，通过轻量级逐层融合机制扩展草稿模型容量，在多个基准上实现平均5.52倍加速。
Comments 12 pages, 3 figures
Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization
协同进化智能体架构与可解释推理用于自动化优化
机构 * School of Artificial Intelligence, Nanjing University of Information Science and Technology（南京信息工程大学人工智能学院） ； Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies, Institute of Cyberspace Security, School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出EvoOR-Agent协同进化框架，通过将智能体工作流表示为活动边网络，并利用图介导的路径条件重组、多粒度语义变异和精英种群更新，实现自动化优化中的自适应协调与可解释推理。
Proceedings First International Workshop on Formal Techniques for Safety-Critical Systems
第一届安全关键系统形式化技术国际研讨会论文集
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文介绍了FTSCS 2012研讨会的论文集，该研讨会旨在促进形式化方法在安全关键系统（如航空、汽车和医疗系统）中的应用，并收录了9篇经过严格评审的常规论文。
Journal ref EPTCS 105, 2012
Model-Based Development of Distributed Embedded Systems by the Example of the Scicos/SynDEx Framework
基于模型的分布式嵌入式系统开发——以Scicos/SynDEx框架为例
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 本文通过Scicos/SynDEx框架研究基于模型的开发（MBD）在分布式嵌入式系统中的可行性，实验表明MBD在单处理器应用中会带来额外内存消耗，且分布式代码生成需大幅修改调度表，目前仅推荐用于实验目的。
Comments 146 pages, Master's Thesis
Not All Errors Are Equal: A Systematic Study of Error Propagation in Large Language Model Inference
并非所有错误都平等：大型语言模型推理中错误传播的系统研究
机构 * University of Iowa（爱荷华大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Florida（佛罗里达大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本研究通过提出的LLMFI故障注入框架，系统研究了软错误在大型语言模型推理中的传播机制，揭示了关键脆弱性模式，并提出了四种低开销的软件级可靠性改进方向。
Comments Accepted at ICS'26
Agentic-J: An AI Agent for Biological Microscopy Image Analysis
Agentic-J：用于生物显微镜图像分析的AI智能体
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出基于容器的多智能体AI助手Agentic-J，通过自然语言接口集成ImageJ/Fiji工具，实现从细胞分割到多条件量化的可追溯、可复现生物图像分析工作流。
Comments Presented at Cell Biology at Scale 2026 (Poster). The Agentic-J project is available at https://mmv-lab.github.io/Agentic-J/
ATLAS: Agentic Test-time Learning-to-Allocate Scaling
ATLAS: 智能体测试时学习分配缩放
机构 * University of California, San Diego（加州大学圣迭戈分校）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 提出ATLAS框架，让LLM编排器通过单一
AnyEdit++: Adaptive Long-Form Knowledge Editing via Bayesian Surprise
AnyEdit++: 基于贝叶斯惊讶的自适应长文本知识编辑
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出AnyEdit++框架，通过基于贝叶斯惊讶的自适应分割机制Bayes-Chunk，实现结构感知的长文本知识编辑，在数学推理、代码生成和叙事任务上优于现有方法。
Comments Accepted by ICML 2026
Measuring and Mitigating Bias in Code Generated by Large Language Models
测量和减轻大型语言模型生成代码中的偏见
机构 * School of Computing Science, University of Glasgow（格拉斯哥大学计算机科学学院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 本文针对GPT-4o和Gemini等主流代码生成工具，提出评估框架，使用代码偏见分数和属性变化比率量化偏见，并探索四种轻量级缓解策略。
RADAR: Redundancy-Aware Diffusion for Multi-Agent Communication Structure Generation
RADAR：面向多智能体通信结构生成的冗余感知扩散方法
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出一种基于条件离散图扩散模型的冗余感知生成框架RADAR，通过逐步生成通信拓扑并利用图有效尺寸引导，在六项基准上实现更高准确率、更低令牌消耗和更强鲁棒性。
Comments Accepted by ICML 2026 (fix typos)
From Memorization to Creativity: LLM as a Designer of Novel Neural Architectures
从记忆到创造：LLM作为新型神经架构的设计者
机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室，CAIDAS与IFI，乌尔姆大学，德国）
专题命中 代码生成 ：program synthesis(abstract)；分类 cs.LG
AI总结 本文提出NNGPT框架，通过闭环架构合成流水线，利用代码型LLM的监督微调循环，结合MinHash-Jaccard新颖性过滤和低保真性能信号，迭代提升生成架构的有效性、性能和多样性，实现从记忆到创造的转变。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pp. 3252-3261, 2026
Algebraic anti-unification
代数反统一
机构 * Vienna University of Technology（维也纳技术大学）
专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI
AI总结 本文在泛代数的一般框架下提出代数反统一理论，通过引入代数泛化序和最小泛化概念，建立基本结构性质，并利用自动机理论研究有限一元代数和有限代数中的可计算性。
Mellum2 Technical Report
Mellum2 技术报告
机构 * JetBrains ； Constructor University（Constructor大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 本文介绍 Mellum 2，一个12B参数（每token激活2.5B）的混合专家语言模型，专攻软件工程，通过架构创新和训练优化在代码生成、数学推理等基准上达到4B-14B开源模型的竞争力。
Fighting Numerical Hallucinations via Data-centric Compilation for Online Financial QA
通过数据为中心的编译对抗在线金融问答中的数值幻觉
机构 * Shenzhen Technology University（深圳科技大学） ； FiT, Tencent（腾讯金融科技部） ； South China University of Technology（华南理工大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huazhong University of Science and Technology（华中科技大学） ； McGill University（麦吉尔大学）
专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI
AI总结 提出数据为中心推理编译器（DCRC），通过对抗数据构建、多阶段训练和编译执行推理流程，解决在线金融问答中检索增强生成面临的噪声敏感、计算脆弱和可审计性危机，实现可靠的数值推理。
Comments Accepted by KDD 2026 ADS track
ExpGraph: Model-Agnostic Experience Learning with Graph-Structured Memory for LLM Agents
ExpGraph: 面向LLM智能体的模型无关经验学习与图结构记忆
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； Meta Monetization AI（Meta 营收人工智能）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 提出ExpGraph框架，通过图结构记忆和强化学习实现冻结LLM执行器的外部经验复用，在问答、数学推理、代码生成和多步智能体任务上显著提升性能并减少交互步骤。
Healthcare Mechanisms from Policy-as-Code Search under Strategic Provider Response
战略提供者响应下的策略即代码搜索中的医疗机制
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tongji University（同济大学）
专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI
AI总结 将医疗机制设计转化为语言模型的程序合成，通过多智能体模拟器Medi-Sim评估策略提供者响应下的均衡，并利用LLM引导的进化代码搜索合成可检查的混合目标程序。
Comments 32 pages, 18 figures, 4 tables
QASM-Eval: A Dataset to Train and Evaluate LLMs on OpenQASM-3 Beyond Quantum Circuits
QASM-Eval：用于训练和评估LLM在超越量子电路的OpenQASM-3上的数据集
机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 针对LLM在OpenQASM-3硬件级编程上的训练与评估空白，构建了包含专家验证测试集和训练集的数据集，覆盖经典逻辑、时序调度、脉冲控制等，并通过扩展验证器自动验证，实验表明微调后LLM性能显著提升。
SEAL: Can Saturated Benchmarks Be Revived by LLM-as-a-Meta-Judge?
SEAL: 饱和基准能否通过LLM作为元裁判得以复兴？
机构 * ByteDance Inc.（字节跳动公司） ； City University of Hong Kong（香港城市大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 提出SEAL协议，通过自适应LLM元裁判从饱和基准中提取潜在排名信号，在代码生成、数学推理等任务上以更少调用实现高排名准确率。
Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability
基于迭代式LLM的神经架构搜索的收敛理论：一个具有闭式代理可靠性的参数化交叉熵框架
机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室，CAIDAS与IFI，乌尔姆大学，德国）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 将迭代式LLM-NAS建模为参数化交叉熵方法，证明了收敛性、精英集概率几何收敛、增量生成有效性、MinHash-Jaccard去重防止模式崩溃以及代理可靠性闭式公式，并通过实验验证了理论预测。
Comments 14 pages, 2 figures, 2 tables. Submitted to NeurIPS 2026
Learning to Choose: An Empowerment-Guided Multi-Agent System with semantic communication for Adaptive Method Selection
学会选择：一种基于赋权与语义通信的自适应方法选择多智能体系统
机构 * Faculty of Science, Technology and Medicine（科学、技术与医学学院） ； University of Luxembourg（卢森堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Luxembourg Institute of Science and Technology（卢森堡科学与技术研究院）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出一种结合上下文赌博机、结构化智能体间通信和语义检查点的多智能体框架，通过保持动作-结果因果一致性来提升科学计算工作流中自适应决策的收敛性、鲁棒性和泛化能力。
HTAM: Hierarchical Transition-Attended Memory for Operator Optimization
HTAM: 用于算子优化的层次化过渡注意力记忆
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhongguancun Academy（中关村学院） ； Renmin University of China（中国人民大学）
专题命中 代码生成 ：code generation(abstract)；分类 cs.CL
AI总结 提出HTAM框架，通过构建层次化过渡图（HTG）组织粗粒度全局方向和细粒度局部策略，解决LLM在GPU算子优化中粒度不匹配问题，显著提升正确率和加速比。
Comments 24 pages, 5 figures
NaRA: Noise-Aware LoRA for Parameter-Efficient Fine-Tuning of Diffusion LLMs
NaRA: 面向扩散大语言模型参数高效微调的噪声感知LoRA
机构 * Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, China（南方科技大学计算机科学与工程系，深圳，中国） ； Department of Computer Science, City University of Hong Kong, Hong Kong, China（香港城市大学计算机科学系，香港，中国） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology, Hong Kong, China（香港理工大学计算机科学与工程系，香港，中国）
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 针对扩散大语言模型，提出噪声感知低秩适配（NaRA），通过噪声条件超网络生成低秩核心矩阵，实现沿去噪轨迹连续变化的更新矩阵，在常识推理、数学推理和代码生成基准上优于噪声无关基线。
Reliable Reasoning with Large Language Models via Preference-Based Maximum Satisfiability
基于偏好最大可满足性的大语言模型可靠推理
机构 * Artificial Intelligence Research Institute (IIIA) Consejo Superior de Investigaciones Científicas (CSIC)（人工智能研究所（IIIA）西班牙国家科学研究委员会（CSIC）） ； Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Institut de Robòtica i Informàtica Industrial (IRI-CSIC-UPC)（机器人与信息工业研究所（IRI-CSIC-UPC））
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 提出一种混合推理方法，通过LLM生成代码将自然语言问题编码为偏好最大可满足性问题，由精确求解器求解并独立验证，显著提高可行性。
Comments 17 pages, 1 figure, 4 tables
Harmless Yet Harmful: Neutral Prompting Attacks for Stealthy Hallucination Steering in Agent Skills
无害却有害：针对Agent技能中隐蔽幻觉引导的中性提示攻击
机构 * Department of Computer Science（计算机科学系） ； National Yang Ming Chiao Tung University（阳明交通大学） ； Department of Electronics and Electrical Engineering（电子与电气工程系） ； School of Computing（计算学院） ； Institute of Science Tokyo（东京科学研究所）
专题命中 代码生成 ：coding agent(abstract)；分类 cs.LG
AI总结 本文提出中性提示攻击（NPA），通过语义上看似无害的指令（如鼓励想象和详尽性）增加代码生成Agent的包幻觉倾向，从而引入软件供应链风险，并评估了其对多种编码LLM的有效性和逃避防御的能力。
Comments under review
Rethinking Software Empirical Studies with Structural Causal Models
用结构因果模型重新思考软件实证研究
专题命中 代码生成 ：code generation(abstract)；分类 cs.SE
AI总结 提出CausalSE框架，利用结构因果模型（SCMs）解决混淆偏差，通过Galeras数据集和倾向得分匹配案例，揭示提示工程策略对代码生成的影响，强调因果分析可避免关联分析中的假阳性。
Comments 22 pages
Do Agents Think Deeper? A Mechanistic Investigation of Layer-Wise Dynamics in Sequential Planning
智能体思考得更深吗？顺序规划中层间动力学的机制研究
专题命中 代码生成 ：code generation(abstract)；分类 cs.AI
AI总结 通过残差流探针、因果层跳跃干预和有效深度测量，研究了大型语言模型在自主智能体任务（多轮规划、工具使用、迭代状态更新）中层间动态的差异，发现智能体推理表现出与静态任务不同的深度分布，随着轨迹展开，模型逐步招募更多更深层，且后期出现更强的长距离层间依赖，同时残差更新从稳定特征积累转向重复校准，有效深度分析揭示了语义方向形成较早而深层对稳定最终输出仍必要的构建-精炼差距。
EvoMAS: Evolutionary Generation of Multi-Agent Systems
EvoMAS：多智能体系统的进化生成
机构 * Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系）
专题命中 代码生成 ：code generation(abstract)；分类 cs.LG
AI总结 提出EvoMAS方法，将多智能体系统生成转化为结构化配置生成，通过进化算法在配置空间中优化，提升任务性能、可执行性和鲁棒性。
Comments ICML2026
Journal ref ICML2026
