代码大模型 / AI 编程

LLM4C2Rust: Large Language Models for Automated Memory-Safe Code Transpilation

LLM4C2Rust: 利用大型语言模型实现自动内存安全代码转译

Sarah Bedell, Nazanin Siavash, Armin Moin

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

AI总结 本文提出基于检索增强生成的框架，利用大型语言模型与小型语言模型结合，实现C/C++到Rust的转译，提升内存安全性。实验表明该方法能有效提高代码正确性和安全性，减少原始指针解引用和不安全类型转换。

VeriCWEty: Embedding enabled Line-Level CWE Detection in Verilog

VeriCWEty: 基于嵌入的RTL代码中行级CWE检测

Prithwish Basu Roy, Zeng Wang, Anatolii Chuvashlov, Weihua Xiao, Johann Knechtel, Ozgur Sinanoglu, Ramesh Karri

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） ； NYU Abu Dhabi Center for Cyber Security（纽约大学阿布扎赫德分校网络安全中心） 纠错

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

AI总结 本文提出一种基于嵌入的RTL代码中行级CWE检测框架，通过高精度识别常见CWE并定位行级漏洞，达到89%的CWE识别精度和96%的行级漏洞检测准确率。

COEVO: Co-Evolutionary Framework for Joint Functional Correctness and PPA Optimization in LLM-Based RTL Generation

COEVO：用于LLM基于RTL生成中功能正确性与PPA优化的联合进化框架

Heng Ping, Peiyu Zhang, Shixuan Li, Wei Yang, Anzhe Cheng, Shukai Duan, Xiaole Zhang, Paul Bogdan

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出COEVO框架，通过联合优化功能正确性与PPA，在单个进化循环中统一两者目标，提升RTL生成效率与性能。

Seed1.8 Model Card: Towards Generalized Real-World Agency

Seed1.8 模型卡：迈向通用的现实世界代理

Bytedance Seed

机构 * Bytedance Seed（字节跳动Seed） 纠错

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

AI总结 Seed1.8 模型旨在实现通用的现实世界代理能力，支持多轮交互、工具使用和多步骤执行，同时保持大语言模型和视觉语言性能，并提供统一的代理接口。

PlanCompiler: A Deterministic Compilation Architecture for Structured Multi-Step LLM Pipelines

PlanCompiler：一种确定性编译架构用于结构化多步骤LLM流水线

Pranav Harikumar

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

AI总结 PlanCompiler通过类型节点注册表、静态图验证和确定性编译分离规划与执行，提升结构化LLM流水线的可靠性与效率，实现高成功率和成本效益。

Comments 31 pages, 1 figure, 7 tables, includes appendices and reproduction details

Mathematical Reasoning Enhanced LLM for Formula Derivation: A Case Study on Fiber NLI Modellin

增强数学推理的LLM用于公式推导：光纤非线性干扰建模的案例研究

Yao Zhang, Yuchen Song, Xiao Luo, Shengnan Li, Xiaotian Jiang, Min Zhang, Danshi Wang

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

AI总结 本文提出一种增强数学推理的生成AI方法，用于光学通信公式推导，聚焦光纤非线性干扰建模，通过结构化提示引导LLM推导出已知闭式ISRS GN表达式并推导出适用于多段C和C+L波段传输的新近似式。

Modeling Student Learning with 3.8 Million Program Traces

用380万条程序轨迹建模学生学习

Alexis Ross, Megha Srivastava, Jeremiah Blanchard, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学） 纠错

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

AI总结 本文通过分析380万条程序轨迹，探讨训练语言模型以理解学生编程行为及学习过程，发现基于真实轨迹的模型能更准确预测学生行为并生成更正确的代码。

Comments Accepted to 27th International Conference on AI in Education (AIED 2026)

BugScope: Learn to Find Bugs Like Human

BugScope: 像人类一样学习查找错误

Jinyao Guo, Chengpeng Wang, Dominic Deluca, Jinjie Liu, Zhuo Zhang, Xiangyu Zhang

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

AI总结 BugScope通过模仿人类审计员学习特定错误模式的方式，提出了一种基于三个步骤的代码审计框架，实现了87%的F1分数，优于现有工具。

Comments 22 pages, 3 figures, 10 tables, 4 listings

BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design

BEAM：基于LLM的双层记忆自适应算法进化用于启发式设计

Chuyang Xiang, Yichen Wei, Jiale Ma, Handing Wang, Junchi Yan

机构 * IEEE 纠错

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

AI总结 BEAM通过双层优化方法，结合遗传算法和MCTS，改进LLM驱动的启发式设计，有效提升复杂代码生成效率，实验显示在CVRP混合算法设计中优化差距减少37.84%。

Comments 24 pages, 11 figures

The Search for Constrained Random Generators

寻找受限随机生成器

Harrison Goldstein, Hila Peleg, Cassia Torczon, Daniel Sainati, Leonidas Lampropoulos, Benjamin C. Pierce

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

AI总结 本文提出利用演绎程序合成思想，通过生成器的指称语义设计出自动合成正确生成器的规则，解决属性驱动测试中的受限随机生成问题，提升测试用例的有效性。

Comments Published at PLDI 2026

Structural Anchors and Reasoning Fragility:Understanding CoT Robustness in LLM4Code

结构锚点与推理脆弱性：理解LLM4Code中的CoT鲁棒性

Yang Liu, Da Song, Armstrong Foundjem, Heng Li, Foutse Khomh

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

AI总结 本文研究了CoT提示在LLM4Code中的鲁棒性，通过系统扰动分析发现其性能依赖于模型家族、任务结构和提示明确性，并识别出三种轨迹变形模式。

CoRoVA: Compressed Representations for Vector-Augmented Code Completion

CoRoVA：用于向量增强代码补全的压缩表示

Daria Cherniuk, Nikita Sukhorukov, Danil Gusak, Nikita Sushko, Danil Sivtsov, Elena Tutubalina, Evgeny Frolov

机构 * HSE University（俄罗斯莫斯科高等教育学院） 纠错

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

AI总结 CoRoVA通过压缩上下文提升代码补全效率，减少提示扩展并降低延迟，提升生成质量。

E2LLM: Encoder Elongated Large Language Models for Long-Context Understanding and Reasoning

E2LLM：用于长上下文理解与推理的编码器扩展大语言模型

Zihan Liao, Jun Wang, Hang Yu, Lingxiao Wei, Jianguo Li, Jun Wang, Wei Zhang

机构 * East China Normal University（东华师范大学） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 本文提出E2LLM，通过分块压缩和适配器对齐，解决长上下文处理中的性能、效率与兼容性难题，在文档摘要和问答任务中优于现有方法。

Comments Accept by EMNLP'25

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

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

AI总结 本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。

PoTable: Towards Systematic Thinking via Plan-then-Execute Stage Reasoning on Tables

PoTable：通过表格推理中的计划-执行阶段推理实现系统性思维

Qingyang Mao, Qi Liu, Zhi Li, Mingyue Cheng, Zheng Zhang, Rui Li

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 本文提出PoTable，一种基于计划-执行阶段的表格推理方法，通过明确的分析阶段和代码生成机制提升推理的系统性和可解释性。

Comments Accepted by IEEE TKDE 2026

Learning Hierarchical and Geometry-Aware Graph Representations for Text-to-CAD

学习层次化和几何感知的图表示以实现文本到CAD

Shengjie Gong, Wenjie Peng, Hongyuan Chen, Gangyu Zhang, Yunqing Hu, Huiyuan Zhang, Shuangping Huang, Tianshui Chen

机构 * South China University of Technology（华南理工大学） ； Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司） ； Guangdong University of Technology（广东工业大学） 纠错

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

AI总结 本文提出层次化和几何感知的图表示，通过结构预测和约束建模提升CAD代码生成的几何精度和约束满足能力，同时引入渐进课程学习策略和12K数据集进行实验验证。

Comments Accepted by ICLR 2026

Enhancing LLM Problem Solving via Tutor-Student Multi-Agent Interaction

通过导师-学生多智能体交互增强LLM问题解决能力

Nurullah Eymen Özdemir, Erhan Oztop

机构 * Ozyegin University（奥兹耶金大学） 纠错

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

AI总结 本文提出PETITE框架，通过角色差异化交互提升LLM问题解决性能，对比自一致性、自修正等方法，显示在APPS基准上准确率相近或更高且消耗更少token。

Comments 7 pages, 3 figures, This work is under review for conference appearance

An Eye for Trust: An Exploration of Developers' Trust Perceptions Through Urgency and Reputation

信任之眼：通过紧迫性和声誉探索开发者信任感知

Sara Yabesi, Mahta Amini, Jelena Ristic, Zohreh Sharafi

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

AI总结 研究通过眼动实验探讨紧迫性和声誉如何影响开发者对代码可信度的判断，发现代码优先级影响审查行为但不影响采纳决策，且开发者未充分意识到紧迫性和声誉的影响。

Hierarchical SVG Tokenization: Learning Compact Visual Programs for Scalable Vector Graphics Modeling

分层SVG标记化：为可扩展矢量图形建模学习紧凑的视觉程序

Ximing Xing, Ziteng Xue, Zhenxi Li, Weicong Liang, Linqing Wang, Zhantao Yang, Tiankai Hang, Zijin Yin, Qinglin Lu, Chunyu Wang, Qian Yu

机构 * Tencent（腾讯） ； Visual Computing Group, Beijing（北京视觉计算组） 纠错

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

AI总结 本文提出HiVG框架，通过分层标记化提升矢量图形生成的序列效率与空间一致性，解决传统标记化方法在几何结构表达上的不足。

Comments Homepage: https://hy-hivg.github.io/

A survey of generative AI adoption and perceived productivity among scientists who program

生成式AI采纳与科学家编程中感知生产力的综述

Gabrielle O'Brien, Alexis Parker, Nasir Eisty, Jeffrey Carver

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

AI总结 本文综述了生成式AI在科学家编程中的采纳情况，发现学生和经验较少的程序员更倾向于使用通用对话接口，且生成代码量与感知生产力密切相关。

Comments Revisions

Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot

生成式AI代码助手的安全问题：来自GitHub Copilot在线讨论的洞察

Nicolás E. Díaz Ferreyra, Monika Swetha Gurupathi, Zadia Codabux, Nalin Arachchilage, Riccardo Scandariato

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

AI总结 研究分析开发者在公共论坛中提出的安全问题，识别出数据泄露、代码授权、对抗攻击和不安全代码建议等四大安全关切，揭示生成式AI在软件工程中的局限性与权衡。

Comments Accepted for publication at EASE '26 Companion

To Copilot and Beyond: 22 AI Systems Developers Want Built

与Copilot一起：22位AI系统开发者想要构建的系统

Rudrajit Choudhuri, Christian Bird, Carmen Badea, Anita Sarma

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

AI总结 本文通过调研860名微软开发者，识别出22个AI系统需求，涵盖五个任务类别。研究发现开发者希望AI在早期工作流中嵌入质量信号，同时限制其权限和隐私，揭示了AI辅助开发中的'有界委托'模式。

Comments Companion paper to "AI Where It Matters": arXiv:2510.00762

Babbling Suppression: Making LLMs Greener One Token at a Time

babbling suppression：使LLMs在每个token上更环保

Lola Solovyeva, Fernando Castor

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

AI总结 本文研究LLM代码生成中的babbling问题，提出babbling suppression方法，通过整合测试执行减少冗余输出，降低能耗和开发者认知负担。

AI-Driven Research for Databases

基于人工智能的数据库研究

Audrey Cheng, Harald Ng, Aaron Kabcenell, Peter Bailis, Matei Zaharia, Lin Ma, Xiao Shi, Ion Stoica

机构 * UC Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Meta ； Workday ； University of Michigan（密歇根大学） ； Maven AGI 纠错

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

AI总结 本文提出利用大语言模型自动化发现数据库性能优化方案，通过共进化设计评估器与解决方案，展示了在缓冲管理、查询重写和索引选择中的有效性，实现了优于现有方法的性能提升。

Automated Functional Testing for Malleable Mobile Application Driven from User Intent

基于用户意图的可变移动应用自动化功能测试

Yuying Wang, Kaifeng Huang, Hao Deng, Zhiyuan Sun, Jinxuan Zhou, Shengjie Zhao

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

AI总结 本文提出ALADDIN框架，通过用户需求驱动生成GUI测试，验证用户指定功能的正确性，展示了在六个移动应用上的有效性，推动移动开发向用户驱动模式转变。

Deep Researcher Agent: An Autonomous Framework for 24/7 Deep Learning Experimentation with Zero-Cost Monitoring

深度研究员代理：一个全天候深度学习实验的自主框架，零成本监控

Xiangyue Zhang

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出深度研究员代理框架，实现24/7深度学习实验自动化，通过零成本监控、双层固定大小内存和最小工具集架构，提升实验效率与成本效益。

SignalClaw: LLM-Guided Evolutionary Synthesis of Interpretable Traffic Signal Control Skills

SignalClaw：基于大语言模型的进化合成可解释交通信号控制技能

Da Lei, Feng Xiao, Lu Li, Yuzhan Liu

机构 * Sichuan University（四川大学） 纠错

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

AI总结 SignalClaw通过大语言模型引导进化合成可解释的交通信号控制技能，结合模拟指标生成自然语言反馈，实现高效且可解释的交通信号控制策略。

ENTER: Event Based Interpretable Reasoning for VideoQA

基于事件的可解释推理用于视频问答

Hammad Ayyubi, Junzhang Liu, Ali Asgarov, Zaber Ibn Abdul Hakim, Najibul Haque Sarker, Zhecan Wang, Chia-Wei Tang, Hani Alomari, Md. Atabuzzaman, Xudong Lin, Naveen Reddy Dyava, Shih-Fu Chang, Chris Thomas

机构 * Columbia University（哥伦比亚大学） ； Virginia Tech（弗吉尼亚理工大学） 纠错

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

AI总结 本文提出ENTER系统，通过事件图实现可解释的视频问答，利用事件图结构提升可解释性、上下文信息整合和鲁棒性，优于传统自上而下和自下而上方法。

StatsClaw: An AI-Collaborative Workflow for Statistical Software Development

StatsClaw：统计软件开发的AI协作工作流

Tianzhu Qin, Yiqing Xu

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

AI总结 StatsClaw通过多智能体架构实现统计软件开发的可靠自动化，通过信息隔离机制确保代码生成与验证的独立性，提升软件生命周期的工程效率并保持研究人员对方法学的控制。

Benchmarking and Evaluating VLMs for Software Architecture Diagram Understanding

对软件架构图理解的VLMs基准测试与评估

Shuyin Ouyang, Jie M. Zhang, Jingzhi Gong, Gunel Jahangirova, Mohammad Reza Mousavi, Jack Johns, Beum Seuk Lee, Adam Ziolkowski, Botond Virginas, Joost Noppen

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

AI总结 本文提出SADU基准，评估VLMs在理解软件架构图作为结构化软件工程制品上的能力，揭示当前模型在图表推理和视觉关系定位方面的不足。