跳到正文
10月20日周二
  1. arXiv · AI28

    CodeSkill 提出潜在技能抽象以提升长时程代码智能体性能

    CodeSkill 框架通过层级潜在技能建模,解决代码智能体在长时程决策中存在的代币级优化与高层行为推理不匹配问题。 该方法利用教师模型蒸馏轨迹为多层文本抽象,结合时序变分推理与强化学习,将技能作为潜在语义前缀注入冻结 LLM 策略。 实验显示 CodeSkill 在多种通用及工业级代码基准上性能极具竞争力,且学习到的技能具备强可迁移性与跨领域泛化能力。

  2. arXiv · AI42

    PACE基准测试:编码智能体在企业级成熟仓库中的表现评估

    研究推出包含43项企业级任务的PACE基准测试,以评估编码智能体执行产品需求文档(PRD)的能力。11种模型配置中,GPT-5.6-Sol完全交付率最高,达14.0%。 测试结果显示模型在实现完整性和集成方面存在瓶颈。同一模型的多次运行在评估一致性上优于专家共识,准确率95.2%。

  3. arXiv · AI43

    AI 辅助开发是否导致软件代码同质化?一项关于代码相似度、质量与演进的实证研究

    对50个Java和Python开源项目在LLM前、LLM辅助及Agentic时代的实证分析表明,代码相似度未随AI辅助增加,Java语义与句法相似度反而显著下降。 软件质量总体保持稳定,Agentic时代的代码坏味密度显著降低;Java开发活跃度适度增加,但结构性增长放缓。 研究结果挑战了AI辅助开发必然导致代码同质化、质量下降或加速增长的假设。

  4. arXiv · AI38

    CEGame-Bench:首个涵盖五款生产引擎的长周期游戏创建智能体基准测试

    CEGame-Bench 提出了首个覆盖 Defold、Godot、Unity 等五款引擎的长周期完整游戏创建基准。 智能体在平均 295 步、65M tokens 的测试中,仅 16% 的运行到达游戏结局,远低于工程师参考水平。 发布的 Game Completion Boost 技能通过需求驱动测试,将三个模型的执行评分提高了 14.1-24.3 分。

  5. arXiv · AI30

    CVaR-RMD:利用 CVaR 选择压力实现鲁棒启发式算法发现

    提出 CVaR-RMD 框架,利用 LLM 变异可执行启发式程序,通过条件风险价值(CVaR)而非平均表现对候选算法进行排序,以解决平均目标掩盖严重失败的问题。 在三个组合优化领域中,基于 CVaR 的选择提升了上尾性能并降低了失败率,且在更大规模的未知实例和独立基准上均保持竞争力。 该研究已被 Findings of EMNLP 2026 接收。

  6. arXiv · AI32

    教学代码智能体提问而不泄露私有代码

    提出UVA方法,通过训练使本地代码智能体在咨询云端模型时,以角色和类型描述私有实体,而非直接暴露代码。 在两个基准测试中,训练后的智能体解决了37.6%的问题,比单独工作时的25.3%有显著提升,同时私有实体泄露减少了3.7倍。

  7. arXiv · ML20

    高级数值线性代数讲义第一部分:面向PDE、机器学习与数据同化的应用

    该讲义为硕士课程第一部分,共101页,通过经典算法展示数值线性代数在PDE求解、网络排名及数据同化中的核心地位。 内容涵盖范数、稀疏矩阵、共轭梯度法、GMRES及多重网格等主题,配套Python代码可复现数值插图。作者使用Claude Opus 5辅助参考文献识别与图形优化,并对所有内容负全责。

  8. arXiv · ML42

    提示词端结构复杂度指数:衡量代码生成可靠性的新指标

    该研究提出了一种仅基于提示词结构而非生成代码的复杂度指标,用于定位模型通过率的变化断点。在21个模型和10.5万次生成的测试中,复合评分14.0处存在非单调断点,高分组通过率为90.1%。 该指标经4名LLM评委重评一致性达0.872,且经同义改写和跨语言重评验证,其排序保持稳定。

  9. arXiv · NLP23

    RLTLDR:通过内化自生成反馈实现自我提升

    RLTLDR 引入“TL;DR”反馈机制,使 Qwen 3.5 9B 模型在 Pass@128=0 的难题中实现自我提升。 模型在失败后生成单条洞察并用于后续采样,通过反向传播内化任务到洞察的映射关系,突破学习瓶颈。 RLTLDR 将无上下文评估时的 Pass@1 从 0%-1% 提升至 12%-13%,证明了紧凑训练范式的有效性。

  10. arXiv · NLP31

    DIO-Agent:基于智能体逆向工程从 I/O 到代码

    研究者提出 DIO-Agent,通过智能体逆向工程将输入输出行为自动转化为代码。 该方法将 IO2Code 视为离散程序空间的进化搜索,LLM 作为变异算子,并引入转换优先级前提以偏向最简假设。 实验显示 DIO-Agent 在所有难度等级和多种 LLM 上均优于传统方法及 SOTA 进化智能体基线。

  11. arXiv · NLP29

    Lean 4 证明自动形式化鲁棒性评估

    研究提出首个评估证明自动形式化鲁棒性的基准,指出现有 LLM 模型在处理偏离理想范式的非形式化证明时表现不佳。该基准在 miniF2F 和 MATH-500 上构建,通过全局与局部扰动测试七种模型的忠实度,发现模型大多无法正确反映局部扰动。

  12. arXiv · NLP30

    CasePlay:利用病例报告进行自博弈强化学习以提升医疗推理能力

    CasePlay 提出基于病例报告的自博弈强化学习框架,解决知识固定与难度质量失配问题。 该框架包含知识条件提问者与评分量规推理器,在 7 个医疗基准测试中平均超越自博弈基线 3.1 分,LiveClin 提升 6.3 分。 该方法为通过自博弈 RL 持续改善 LLM 医疗推理能力提供了有效路径。

  13. GitHub Blog · AI & ML33

    GitHub Copilot 如何在 VS Code 中继续 App 会话

    GitHub Copilot 允许用户直接在 VS Code 中打开并继续其 App 端会话,无需重建上下文。 点击“Open in VS Code”即可加载包含任务、计划和对话记录的完整会话,项目通过关联的 worktree 隔离运行。 开发者可在编辑器中手动修改代码、运行本地测试,并继续向 Copilot 提问或推送更新至 Pull Request。

10月19日周一
  1. 阿里云百炼57

    阿里云百炼上线 DeepSeek-V4.1-Flash-1017

    最新迭代版本 DeepSeek-V4.1-Flash-1017 正式上线阿里云百炼。此次升级重点聚焦 Agent 与 Coding,多项基准测试表现进一步提升,且任务运行时间与输出长度缩短。目前阿里云百炼中国站、国际站 API 同步支持,新老用户可通过 Token Plan 直接体验。

  2. arXiv · ML23

    测试驱动代码生成的理论分析:probabilistic framework 与 regret bound

    该论文提出概率框架,分析了测试驱动代码生成的两种范式,并证明了基于模糊功能相似度的估计器在信噪比上优于基于功能等价性的估计器。 研究者将 Backprompting 建模为 In-context Thompson sampling,推导了包含不可观测成分奖励函数的 regret bound,并使用 BigCodeBenchHard 等基准验证了结论。

  3. arXiv · ML28

    PFP-BNNs 在嵌入式 ARM 上实现最高 4200 倍加速

    PFP-BNNs 通过单次确定性前向传播替代采样,在嵌入式 ARM CPU 上实现最高 4200 倍推理加速。 该方案基于 TVM 编译器库,在 Dirty-MNIST 数据集上,其精度、不确定性估计及 OOD 检测性能均匹配 SVI-BNNs。 结合代码生成实现 BNN 在资源受限系统的高效部署,已被 ACM TACO 接收。