PAUSE:无搜索式编码智能体转向框架在首次代码编辑前介入
提出编码智能体转向框架 PAUSE,在首次源码编辑前通过单次 Planner 介入提供修复计划,无需学习型监控器、搜索或额外模型调用。
提出编码智能体转向框架 PAUSE,在首次源码编辑前通过单次 Planner 介入提供修复计划,无需学习型监控器、搜索或额外模型调用。
研究显示,强模型自身检索优于预设记忆系统,Agent 记忆是弱模型的昂贵补丁。Mem0 仅在 GPT-4o-mini 上优于全上下文,其构建成本超过单次全上下文运行。 Claude Opus 5.5 搭配 Pi 编码 Agent 表现最佳,准确率 99% 且成本不足全上下文一半。部分优势源于 Agent 读取照片描述,非记忆机制本身。
研究者提出公共支持蒸馏(CSD),一种统一的基于 logits 的跨词表知识迁移框架,通过构建师生模型间的共享支持集来对齐预测分布。 CSD 在一对一对齐中显式使用公共 token 对,其他对齐通过自回归链式法则计算虚拟支持概率,并用残差事件确保分布归一化。
MeMoDecode框架通过联合执行具体语法、抽象语法及良构约束,解决了现有约束解码难以保证元模型级一致性的问题。 该框架在检测到不一致时从最近可完成快照恢复解码,并结合重试机制运行。在跨四个DSL及0.6B至70B参数规模的六款开源LLM测试中,MeMoDecode比无约束解码平均提升23%一致性,比语法约束解码提升8%。
提出名为 BIRD-RL 的四阶段 Agentic 强化学习框架,专门解决 SQL 调试等数据密集型任务中的状态隔离难题。该框架利用 Trajectory-scoped Persistent Execution Infrastructure,实现 12.8 倍空间效率提升,无需 Kubernetes 即可进行可扩展训练。
研究团队发布包含 18500+ 示例的 VHDL 数据集,使用 QLoRA 微调 5 个 7B 参数模型。 微调后模型在常规设计任务中实现 92% 语法正确率和 73% 功能精度,DeepSeek-Coder 性能增益最高。 生成的设计成功部署于 Zynq FPGA,验证了 LLM 在生成式 EDA 流程中的可行性。
智能体生成的软件因测试同源缺乏独立性,需构建结构独立的验证平面。 研究提出验证契约框架,采用变异分析与模糊测试,在 46 个种子故障中检测出更多缺陷, Holm 校正后 p=0.006。
提出 UserSWE 基准以评估编码智能体在多轮对话中修复仓库级 Bug 的能力,涵盖 42 个仓库的 72 项任务。 测试基于 20,859 个开发会话校准的 persona chain,每轮执行测试并由双智能体判定结果。 评估显示 Claude Fable 5.1 在单轮解决任务最多,GPT-6-Astra 在八轮时表现最佳,证明单轮性能无法充分表征交互能力。
LEAN 通过复合正则项将敏感权重尾部缩小 5-13 倍,使 ResNet-50 等模型在准确率损失<0.5% 下提升抗比特翻转能力。 结合 BCH 编码覆盖 1% 权重,该方案使模型在 300 次渐进式比特翻转中全种子存活,且 8/6/4/3 位格式存储体积较 INT8 小 2.4 倍。
GenXR-Bench 是首个端到端评测 XR 软件开发编码智能体的基准,包含 112 个专家编写任务。测试套件在消费级 XR 硬件上对 124 个候选应用盲测,准确率达 96.5%。 对 10 个模型的评测显示,最强配置的整体 Pass@1 仅为 50.9%,失败分析指出异步传感器生命周期和物理定位是主要弱点。
针对编码智能体在修改状态前缺乏备份意识的问题,研究提出含 205 个可执行任务的评测基准 RegretBench,并在 6 个前沿模型上发现任务完成率 86.1% 但备份率仅 15.2%。
该研究提出模拟器SimHack,用于在强化学习运行前预测奖励黑客(reward hacking)的主导发生时间。SimHack能从少数小规模参考运行中学习动态,生成未见目标配方的反事实模拟。
研究者构建了 REPOCOD 基准,包含 11 个真实项目中的 980 个 Python 全函数生成任务,其中 50.8% 需要仓库级上下文。 该基准配备 314 个开发者编写的测试用例,评估发现 10 个大语言模型均未超过 30% 的 pass@1,且检索增强生成优于依赖上下文。 这表明当前模型在真实软件开发场景中表现有限,需构建更强 LLM 辅助开发者。
WAFFLE 是一种新的微调策略,旨在改进大语言模型生成 HTML 代码的能力。 该方法采用结构感知注意力机制和对比微调,在 WebSight-Test 基准上,HTML 匹配率最高提升 9.00 pp。 它在 Design2Code 基准上也优于现有方法,有效弥合了视觉设计与代码之间的差距。
研究人员提出自分解扩散代码生成框架SDDC,通过先生成程序分解契约再进行并行实现,显著优化了准确率与延迟的权衡。 该框架基于两个7B扩散模型骨干,在五个基准测试中将pass@1提升最高达31.1个百分点,解码速度较基础模型快7.5至13.7倍。 相比微调基线,SDDC在更低延迟下将性能提升最多23.5个百分点。
研究指出 LLM 在判断代码功能等价性上表现脆弱,CETBench 基准测试证实即使是简单的代码转换也会导致 SOTA 模型性能显著下降。 该基准通过随机应用预定义转换生成等价或非等价代码对,跨语言场景下性能降幅更为明显,微调可改善表现。 实验分析揭示 LLM 可能仍缺乏对代码深层语义的理解,结果发表于 ACL 2026 Findings。
Cloudflare 使用 OpenAI Daybreak 调查漏洞并提议修复方案供审查。 其开发者利用 Codex 构建更快并提升代码质量。
NVIDIA 在 GTC Berlin 展示了本地 AI 硬件全线更新,RTX Spark 现已支持运行 Underdog 桌面智能体,实现个人智能体在 Windows PC 端侧运行。同步推出 Recursive Flint 本地编码模型,该 40B 参数 MoE 模型在 Apache 2.0 许可下开放,并优化了 llama.cpp 与 vLLM 推理引擎以加速端侧 Agent 任务。
Qoder 升级个人版续费权益,国际版 Ultra 套餐续费加送 3000 积分,Lite 至 Pro+ 分别加送 500 至 2000 积分。 CN 版旗舰版续费合计 23000 积分,专业版及高级版首购与续费均有额外积分赠送,Lite、Pro、Pro+ 首购享积分买一送一。
提供独立沙箱隔离环境与自动化评估器,支持在 Agent 副本上安全优化,避免影响线上业务。 让 Agent 从单次试跑转向制度化考核,沉淀业务数据资产以提升长期可靠性。
超级峰分享 AI 开发实践,主张以场景驱动取代工具驱动,通过“提出需求—AI 执行—人工验收”循环实现 Human in the Loop。他将验证能力沉淀为自动化工作流,利用 Skill 和定时任务减少人工介入,确保产品持续迭代。
硅基流动模型广场上架 DeepSeek V4.1 Flash 1017,API 调用方式与价格保持不变。新版本在 Terminal-Bench 4.0 得分达 42.3,DeepSWE v1.1 得分达 77.0,具备性能-费用帕累托最优,并优化了“许愿式编程”能力以支持 3D 建模等项目开发。
大语言模型(LLM)在修复代码时普遍存在过度编辑(over-editing)现象,即使 GPT-5.5 等高能力模型也常生成超出必要的复杂改动。研究者基于 BigCodeBench 构建了 400 道包含已知最小补丁的评估框架。
研究表明,编码智能体提交代码的解决时间变异中,约五分之二源于仓库差异,而非智能体本身。 在280个仓库中,智能体PR的仓库间方差是人类的1.76倍。仓库慢一个标准差,智能体等待时间通常延长2.8倍。 这提示对编码智能体的监督与评估,必须以仓库而非仅智能体为分析单元。
针对LLM在跨语言代码翻译中的幻觉问题,本研究提出HaluCodeTran缓解框架,结合BM25检索与分类感知反思优化。 研究覆盖3个基准数据集、6种语言对及7个LLM,人工标注13,919个幻觉案例,建立语义一致性、事实知识及项目上下文偏差三类分类体系。
成对比较框架将回归重构为相对排序聚合,提升模型数据效率。 在 UTKFace 数据集上,ResNet10 经成对学习后 MAE 达 3.64 年;STL10 分类中准确率提升最高 5.2%。 该监督方式在标注数据有限时表现优异,尤其适用于临床场景。
S-Agent 2.0 结合命令行感知工具包,使开源模型 Qwen3.8-27B 在 MMSI-Bench 和 ReVSI 上分别提升 13.9 和 20.5 分。 该系统赋予通用编码智能体持久场景记忆与几何解释能力,开源骨干在 MMSI-Bench 达 66.5 分,ReVSI 达 82.3 分,超越专用系统 SpatialClaw。
MemDev-Bench 针对 555 个基础任务构建 4,869 个历史任务,评估记忆系统对代码智能体的作用。 记忆系统提升了细粒度定位与编辑的功能正确率,但无关历史会增加因盲目复用导致的失败。 直接提供原始历史轨迹比使用记忆系统能显著减少智能体执行步骤,保留过程信息至关重要。
研究提出 Ask-to-Distill 框架,将合成问题作为分布提取器,用于优化在策略知识蒸馏过程中的监督信号。 该框架通过结合师生模型分歧与教师模型在学生候选支持集上的概率质量,计算无需参考答案的分布替代奖励来筛选和优化问题。 该方法在数学推理、代码生成和智能体任务上提升了模型平均性能并缩小了师生差距,相关代码与模型已公开提供。
研究提出 REM 框架,通过管理存储、回忆和遗忘决策,在 SWE-ContextBench Lite 上实现 68.7% 匹配@1 准确率,超越现有 55.6% 水平。 经验经整合后缩小两个数量级,任务解决率从 24.9% 提升至 27.6%,成本降低 17%,证明瓶颈在生命周期治理而非检索精度。
summary_zh: 研究人员提出无监督工具进化框架 TEAL,通过智能体协作在数据湖分析中自动构建可复用工具库。 该框架使用探索者与批评者双智能体机制,无需标签即可优化 Worker 性能,并在 KramaBench 和 LakeQA 基准上验证了合成问题的有效性。
TEX 框架通过并行化智能体生成测试和补丁,并交叉执行以构建 $K \times K$ 反馈矩阵,在 SWT-Bench Verified 上取得 86.4% 的新 SOTA,较单智能体基线提升 9.0%。 其交叉验证机制允许智能体利用矩阵切片进行精炼,且随机选择 TEX 输出(84.4%)也超过了此前的 SOTA(84.0%),证明了执行驱动反馈对长时程任务的有效扩展性。
研究提出利用多目标强化学习优化 LLM 生成 RTL 电路集合的方法,首次在 PPA 目标空间中同时优化电路质量与多样性。 该方法包含基于 Hypervolume Contribution (HVC) 的奖励函数及生成式训练管线,将帕累托前沿覆盖改进重构为顺序生成问题。
GitHub 官方博客访谈三位拥有十余年经验的 Java 冠军开发者,分享他们使用 GitHub Copilot 提升生产力的具体案例与最佳实践。
Qoder 现已支持 MiniMax M3.1 Flash 模型。MiniMax M3.1 Flash 在 Agentic 任务、编程、Computer Use 及网络安全能力等方面实现了代际提升,线上推理速度提升近 3 倍,使用成本降低 70%。用户可在 Qoder 国际版和 CN 版产品中切换体验。
推荐理由:Qoder官方确认接入MiniMax M3.1 Flash模型,该模型在Agentic任务和编程能力上有所提升,且推理速度与成本表现更优。
Qoder 通过 Harness 层工程优化缩短 Fast 档位的用户等待时间。文章解释了优化机制,包括将字节码解析移至构建时、后台化身份初始化、预热 Git 上下文,以及利用前缀缓存和按需加载 MCP 工具定义来减少推理开销。在执行层面,通过流式调度实现工具并行运行,并建立基于调用 ID 的中断恢复机制以保留已确认的执行进度。
豆包工作官方发布学术科研实战教程,覆盖 Origin 绘图、COMSOL/MATLAB/ANSYS 仿真、文献调研、论文精读、写作润色、投稿审查及组会汇报 7 个场景。
推荐理由:通过 7 个科研场景的实操案例,展示了如何利用豆包工作配合 Skill 工具,实现从文献检索、论文精读到仿真建模的自动化流程。
MiniMax 正式更新 M3.1 Flash,该模型在复杂 Agent 任务、编程、Computer Use 及网络安全能力上实现代际提升。M3.1 Flash 线上推理速度提升近 3 倍,使用成本降低 70%,输入价格为每百万 Token 1 元,输出价格为每百万 Token 4 元。模型现已上线 MiniMax API、MPlan 及 MiniMax Code。
推荐理由:发布M3.1 Flash模型,推理速度提升3倍且成本降低70%,在自动化与编程等Agent任务中达到顶尖水平。
Zero2Repo 是一个从零构建代码仓库的评测基准,要求智能体根据需求文档和接口契约在空工作区交付完整项目。 该基准通过语言无关的流水线生成任务,当前包含 Python、TypeScript、Go 和 C++ 任务,采用二值奖励且不使用 LLM 裁判。在 11 个高频任务中,最强智能体仅解决 10 个,失败案例多源于对单一规则的遗漏。
论文提出 VeriGRAG 框架,通过图神经网络编码 Verilog 数据路径图并生成结构感知软提示,提升了 LLM 生成 Verilog 代码的语法与功能正确性。