跳到正文
10月15日周四
  1. arXiv · ML23

    依赖图谱何时辅助代码到架构映射?

    研究将代码到架构映射建模为半监督节点分类,在十套开源 Java 和 C/C++ 系统上,图注意力网络 (GAT) 和图卷积网络 (GCN) 均优于参考模型 Naive Bayes。 GAT 取得最高平均系统级中位数宏观和微观 F1 分数,分别为 83.5 和 92.2;在多关系聚合优于单一合并边类型方面,GCN 和 GAT 均在每个系统上表现更好。

  2. arXiv · NLP39

    SWE-Spot: 基于以仓库为中心学习的专用小型代码专家

    论文提出以仓库为中心学习(RCL),训练 4B 参数小型模型 SWE-Spot-4B,在七个目标代码库上性能优于同等预算的以任务为中心学习(TCL)模型。 该模型性能可比肩或超越 Meta CWM、Qwen3-Coder-30B 等 8 倍参数量的开源模型,以及 GPT-4.1-mini 等商用效率模型,并具备更高的训练与推理效率。

  3. arXiv · NLP20

    EduBehaviors框架:基于断言的Schema实现教育对话的可审计编码

    EduBehaviors框架通过断言Schema生成可解释的教育对话标注,在TalkMoves数据集上预测Teacher TalkMoves标签。 最佳配置达到0.764 macro-F1和0.756 Cohen's kappa,超越直接提示法,接近微调分类器且具备更高透明度。 该框架配套发布了包含两个基于TalkMoves应用的开源工具,以支持其他研究人员采用。

  4. arXiv · NLP21

    Reviser:基于自回归光标动作的文本写作与编辑模型

    Reviser 是一种仅解码器 Transformer,通过插入、移动等光标动作编写和编辑文本,其自回归步骤成本与普通 AR 模型相当。 模型在 CoEdIT SARI 上比同尺寸 AR 模型高出 4.5 至 7.2 分,且解码步骤和延迟减少至三分之一;在续写任务中,Reviser 以 62%-74% 胜率击败同规模扩散语言模型。

  5. arXiv · ML35

    编码智能体在视觉生成中的能力边界探索

    研究在 AgentDrawBench 200 条提示词的零样本绘图测试中发现,编码智能体擅长保持结构并满足精确视觉约束,但在感知丰富度上存在局限。 其视觉表现力随绘图界面变化,且重构的视觉代码在视觉问答任务中有时比原始图像支持更高的准确性。 结果证实编码智能体在生成开始前即能在内部维持一致且连贯的世界模型。

  6. arXiv · NLP42

    The Agentic Scientist:编排编码智能体实现自动化科学(协同)发现

    The Agentic Scientist 将科研拆解为起草、规划、实验、分析等 8 个环节,由元控制器驱动并行智能体执行。 系统支持从协同科研到完全自主研究的自主性谱系,利用自验证机制在机器学习开放问题中实现跨领域科学发现。 消融实验表明,可靠的科研自主性取决于基础模型能力与跨智能体编排层的协同作用。 ```

  7. arXiv · NLP55

    PrismaCoder: 通过分解评审标准合成推动开源多模态代码智能边界

    PrismaCoder 提出了一种名为 PrismaForge 的层级数据管线,利用分解的评审标准合成数据并驱动多模态代码模型的强化学习。基于该管线,作者构建了 PrismaCoder-2M 数据集,并训练、开源了 PrismaCoder-9B 和 35B 模型。这些模型在开源领域大幅领先现有最优水平,并与头部专有系统性能相当。

  8. arXiv · ML32

    基于验证器锚定的智能体强化学习实现可证明正确的代码生成

    该研究提出验证器锚定的智能体强化学习奖励机制,使模型在 DafnyBench 上的保留集代码验证准确率从 66.1% 提升至 93.5%。 奖励函数解析验证器诊断而非最终判决,并加入完整性审计防止模型篡改规格或假设待证结论。实验覆盖 Qwen3 1.7B 至 14B 及 35B MoE 模型。 此方法在所有对比训练信号中表现最佳,且在未参与训练的验证套件上同样实现性能提升。

  9. arXiv · NLP44

    LLM-jp-4 技术报告

    LLM-jp-4 发布 8B 稠密模型与 32B-A3B MoE 模型,均在约 12 万亿 tokens 上从头训练。 该家族模型强调透明性与可复现性,公布了数据与选型标准,性能超越前代且媲美同规模开放权重模型。 旨在为未来主权 AI 开发提供参考。

  10. AWS Machine Learning Blog36

    Amazon Bedrock AgentCore 构建自我改进的文档处理系统

    利用 Amazon Bedrock AgentCore 构建多智能体智能文档处理系统,实现文档分类、提取与验证的自我改进。 系统由 8 个智能体组成,基于 Strands Agents 框架运行,处理时间常低于 20 分钟,无需手动配置模板。 该系统能自动学习新文档格式,显著降低因文档挑战导致的年均 19,732 美元成本及 21.3% 生产力损失。

10月14日周三
  1. 阿里云38

    千问办公发布电商版并开启邀测

    千问办公发布电商版并开启邀测,通过单一AI入口驱动多平台电商经营场景。 该版本提供跨平台经营看板、趋势洞察及卖点分析、跨平台ROI智能优化、爆款素材批量生成四大功能,已接入生意参谋、有赞等主流商家工具。 千问办公致力于成为最懂电商行业的Agent产品,未来将向全行业生态开放,并推出主动经营能力。

  2. arXiv · AI23

    TENET:迈向仓库级代码生成的测试驱动开发

    TENET 提出一种支持仓库级代码生成的智能体框架,在 TDD 范式下通过测试驱动迭代优化。 框架包含测试夹具机制、定制检索调试工具集及基于反思的精化工作流,有效解决测试子集选取与上下文检索难题。 使用 Claude Sonnet 4 时,在 RepoCod 和 RepoEval 上 Pass@1 分别达 69.08% 和 81.77%,较最强基线提升 9.49 和 2.17 个百分点。

  3. arXiv · ML32

    DTV:解码时验证提升代码翻译准确率

    DTV 框架通过解码时验证提升代码翻译效率,C-to-Rust 任务通过率从 72.3% 升至 82.0%。 基于 Qwen3-4B 生成器,JavaScript-to-TypeScript 任务通过率从 33.3% 升至 46.0%,且每案例 token 消耗更低。 该结果在成本匹配网格中优于事后验证和基于采样的缩放方法。

  4. arXiv · AI55

    OctoLong:跨仓库代码上下文中期训练增强长上下文建模

    研究者提出 OctoLong 管线,通过 AST 解析器和包管理器递归检索代码依赖,构建数百万 token 级别的代码上下文语料。基于该语料对 600M 至 14B 参数模型进行中期训练,仅需替代 12% 的常规长上下文扩展数据,即可在长程检索、长期状态跟踪及仓库级代码理解任务上取得显著提升。

  5. arXiv · ML33

    三阶段多任务知识蒸馏框架:增强MLP图结构信息处理

    提出三阶段多任务知识蒸馏框架,通过位置编码和隐藏层匹配解决图神经网络推理任务中MLP位置信息丢失和泛化率低的问题,首次实现MLP隐藏层蒸馏与图位置编码结合。 框架采用位置编码捕捉位置信息,利用神经热核处理图数据,通过学生MLP隐藏层输出匹配优化性能,在多种设置下表现出良好稳定性。 作者提供了代码实现。

  6. arXiv · AI21

    发布 Long-Horizon-Terminal-Bench:用于测试长时程终端任务中智能体极限的密集奖励评分基准

    发布包含46项长时程任务、涵盖9个类别的终端基准 Long-Horizon-Terminal-Bench,支持密集中间奖励与部分得分。 对15个前沿模型的评测显示,智能体每任务平均消耗9.9M tokens,运行231个 episode,耗时85.3分钟;最强模型在0.95部分奖励阈值下 pass@1 为15.2%,完美奖励阈值1.0下为10.9%。

  7. arXiv · AI31

    追踪LLM代码推理的内部生命周期:从酝酿到解决的诊断框架

    研究人员提出双诊断框架,揭示LLM代码推理在答案自解码前数层即可线性恢复的“酝酿”机制,并识别出四种解决结果。 该框架应用于Qwen、Llama和DeepSeek架构下的16个模型,发现整体解决率仅为41.5%,且解决时长标准化后稳定在24-42%区间。 此研究表明表面准确率掩盖了根本不同的失效模式,为理解模型内部推理过程提供了可量化的实证规律。

  8. arXiv · AI26

    JNO 知识编辑框架联合优化大语言模型涟漪效应

    研究人员提出 JNO 知识编辑框架,通过联合优化解决大语言模型中涟漪效应的耦合压力,在 RippleEdits 数据集上提升指标至少 7.0%。 JNO 实例化 Pressure-Aware Coordination (PAC),联合优化邻域目标表示并应用语义预执行门控,拒绝高风险目标计划。 该方法在保持跨骨干模型编辑稳定性的同时,实现了传播与保留指标的双重提升。

  9. arXiv · AI26

    简单基线在代码进化中表现与复杂流水线相当

    研究发现,简单基线在数学界限、智能体脚手架、组合优化及机器学习竞赛四个领域表现持平或超越现有复杂代码进化流水线。 核心结论是搜索空间的大小比具体的搜索算法更重要,且提示词中的领域知识会影响评估效率。改进评估程序可降低随机性,表明提升代码进化性能更依赖搜索流程周边的设置而非流水线本身。

  10. arXiv · NLP31

    EmoStance: 基于表情包弱监督的共情响应生成响应侧情感定向控制方法

    EmoStance 通过表情符号弱监督实现共情响应生成中的情感定向控制,在 20 名标注员参与的盲测中取得 62.2% 的决定性胜率。 该方法利用冻结指令微调 LLM 和连续前缀嵌入,基于 EmojiDialogue 数据集预测响应侧情感方向。 EmoStance 在情境特异性和感知响应性方面表现显著优于基线,代码及脚本已开源。

  11. arXiv · NLP23

    Grammar-Driven Watermark:通过语法驱动机制优化 LLM 代码生成中水印质量与可检测性的权衡

    针对 LLM 代码生成中低熵导致的质量与可检测性权衡难题,提出免训练的 Grammar-Driven Watermark(GDW)方法。 GDW 采用绿名单、语法有效性和结构角色三级掩码机制,通过分层调制限制注入范围并调节强度,并设计角色感知加权检测统计量。 实验显示 GDW 在现有基准中取得 SOTA 的权衡性能,且在七种语义保持攻击下保持优越表现。