跳到正文
11月11日周三
  1. arXiv · AI28

    多智能体协同重命名重构框架

    该论文提出首个自动化协同重命名的多智能体框架,通过Scope Inference、Planned Execution和Replication Agent协同工作,减少开发人员手动传播重命名变更的负担。 框架基于IDE受信重构API执行变更,前期研究分析了100个开源项目中609K次提交的实践,并调查了205名开发人员的需求。

  2. arXiv · AI23

    ActiveSecHarness:智能编码环境的组合式安全架构

    研究者提出神经符号参考监视架构 ActiveSecHarness,旨在解决 AI 编码智能体中 LLM 护栏延迟高与误报率高的问题。 该架构结合能力令牌与二维污点格,在 252 个测试用例中,其 Ring 0 守卫实现 100% 攻击阻断率与 0 误报率,耗时仅 12.7 微秒。 这比 qwen3:4b 判断器快 11200 倍,有效避免了常规正则黑名单对结构化逃逸的盲区。

  3. arXiv · AI40

    JetBrains 工程师 token 消耗与工程产出相关性案例研究

    JetBrains 对 404 名工程师的数据分析显示,token 消耗主要反映 AI 智能体使用广度而非工程产出价值。 两周内 commit 数量相似的工程师中,90 分位 token 消耗是 10 分位的 39 至 240 倍;单工程师内消耗翻倍仅对应约 10% 的 commit 增量。 建议仅将 token 消耗用于资源核算,通过任务与结果证据评估 AI 辅助工作效能。

  4. arXiv · AI32

    Repository-Context-Guided Image Understanding for Agentic Software Development

    为提升编码智能体在低质量 UI 截图下的定位能力,提出基于仓库渲染的参考图像增强方法,在四倍下采样加 JPEG 压缩条件下提高金文件匹配率。 参考图像由当前代码库自动生成都无需人工标注,且在相同退化条件下文本识别精度比语言偏置 OCR 高约 12 个百分点,基于 SWE-bench Multimodal 构建评测基准。 该方法使智能体在视觉证据模糊时仍能定位相关源文件,适用于自动化软件调试场景。

  5. arXiv · ML33

    基于同策略蒸馏解锁预训练文件操作在长程编码智能体记忆后训练中的潜力

    研究提出CAMP-II框架,通过同策略蒸馏训练单一策略学习基于文件的记忆行为,在CAMG-II基准中性能增益达最强基线的2.97倍。 CAMP-II结合完全异步OPD,从具有文件操作先验的冻结教师模型中学习,该记忆行为可泛化至Terminal-Bench 2.1和SWE-Bench Pro V2等外部基准并提升成功率。

  6. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Carbon 模型

    Google DeepMind 正式向开发者、企业、科学家及消费者开放 Gemini 4 Carbon 模型。该模型在网络安全能力、长程代理工作流及复杂知识工作领域表现前沿,输入价格 2 美元/百万 token,输出 10 美元/百万 token。模型在 CursorBench 4.0 等基准中排名第一,支持多模态知识代理及 3D 设计等任务,并强化了安全性与对齐机制。

    推荐理由:官方给出了价格与性能对比,读者可判断它在长程代理任务与网络安全场景中的优势。

11月10日周二
  1. arXiv · AI24

    DDBench:面向分布式系统智能体调试的基准测试

    DDBench 发布 60 个来自 13 个开源分布式系统的历史 Bug 基准,填补分布式系统代码修复评测空白。 该基准设置仅症状与增强上下文两种条件,评估 10 个 LLM 发现上下文使通过率提升 19.0 个百分点,且弱模型获益更大。 DDBench 揭示分布式调试需跨进程推理,单一进程基准无法覆盖该维度。

  2. arXiv · AI34

    LibEvoBench:探析代码生成模型中的时间知识分层

    LibEvoBench 发布,旨在评估 LLM 处理多版本 Python 库 API 演进的能力,并引入 SEUS 指标。结果显示 SOTA 模型具有“版本盲点”,在演进 API 上性能下降,仅指定版本无效,但相关文档能显著提升准确率。该发现揭示了现有训练范式的系统性局限,推动时间定位知识在代码生成中的应用。

  3. arXiv · AI34

    Viverra: 带形式化验证注解的文本转代码系统

    Viverra 系统自动生成代码及形式化验证注解,辅助用户理解 LLM 生成的程序。 通过提示 LLM 合成 C 语言程序及候选断言,并利用有界模型检查器组合验证安全性属性。在 17 项任务评估及 400 余次用户研究中,证明注解能提升代码理解表现。

  4. arXiv · AI32

    PEARL:基于求解器在环的自然语言交互式优化建模系统

    PEARL 提出一种多轮求解器交互式优化建模系统,通过 Python 执行与数学规划求解器在循环中学习何时测试、修订及停止,而非依赖固定修复工作流。 在多种优化基准上,PEARL 显著提升了可执行目标一致性,其中 PEARL-Qwen3-4B 在宏平均和微平均 Pass@1 上均超越了规模大得多的 DeepSeek-V3.2-685B 基线模型。 代码与数据集已公开提供。

  5. arXiv · AI27

    NINJA:一种用于高效上下文问题定位的导航-检查联合架构

    针对现有基于 agent 的问题定位方法因长上下文累积压缩推理空间及扁平探索结构失衡的问题,论文提出层级式 NINJA 架构。该架构将仓库探索分解为全局导航与局部检查:navigator 维护全局搜索状态并执行文件级搜索,inspectors 在独立上下文中进行函数级探索,通过多轮交互返回可疑位置以更新全局状态。

  6. arXiv · AI21

    GOPR-CAD:基于图操作渐进式推理的 CAD 生成

    GOPR-CAD 提出一种基于图操作渐进式推理的智能体 Text-to-CAD 管线,无需额外训练即可适配不同语言模型。 该管线让语言模型作为决策代理,封装 CAD 操作并渐进构建可执行操作图,再由确定性编译器转换为最终 CAD 模型。 在包含 300 个标准机械零件需求的 MHCAD 基准上实现 82.7% 结构良率,并在外部 CADPrompt 子集上达到 87.2%。

  7. arXiv · NLP28

    代码RL中权重外推下的正确性与效率行为控制

    研究发现,在代码RL中通过权重空间外推可同时放大或抑制不期望行为,揭示了正确性与效率的边界。 实验在32B和7B模型规模下进行,涵盖纯推理、工具使用及代理编码场景。 该方法为利用松散奖励及权重差异向量来抑制奖励作弊行为提供了简单干预方案。

  8. arXiv · NLP29

    CRANE:通过零空间编辑向代码智能体注入受约束推理

    研究提出CRANE方法,一种无需训练的参数编辑技术,通过合并Instruct与Thinking模型检查点优化代码智能体性能。该方法在Roo-Eval上使Qwen3-30B-A3B的pass1达到66.2%(提升19.5%),在SWE-bench Verified上每类规模额外解决14个实例。CRANE在三大基准上均优于替代合并策略,保持Instruct级效率的同时增强推理与工具使用能力。

  9. arXiv · NLP39

    扩散 LLM 强化学习:基于熵引导步长选择与逐步优势的方法

    提出一种针对扩散语言模型(DLMs)的无偏策略梯度算法,将去噪轨迹建模为有限时域马尔可夫决策过程,在编码与逻辑推理基准测试中达到最先进水平。 该方法利用熵引导近似界选择策略更新步长,并采用单步去噪奖励估计中间优势,避免了昂贵的多步滚动模拟与序列似然显式计算。

  10. arXiv · NLP33

    PACE-dLLM:基于置信度悬崖估计的扩散语言模型弹性块解码

    研究提出 PACE-dLLM 方法,通过周期性重新拟合置信度悬崖来动态调整解码视界,支持 LLaDA 和 Dream 等扩散语言模型并行解码。 该方法在推理和代码基准测试中取得最优平均准确率,LLaDA 吞吐量提升 5.23 倍,Dream 提升 3.06 倍。 此成果已被 NeurIPS 2026 接收,推进了扩散语言模型在质量与吞吐量之间的帕累托前沿。