PrefReward: 通过用户偏好矩阵实现个性化文本生成
PrefReward 提出了一种基于显式偏好矩阵的个性化生成框架,利用 KL 散度奖励信号引导解码过程。 该方法包含提取用户风格倾向矩阵两个阶段,在 LongLaMP 数据集上生成质量优于检索基线。 该方法提升了个性化文本生成的可解释性。
PrefReward 提出了一种基于显式偏好矩阵的个性化生成框架,利用 KL 散度奖励信号引导解码过程。 该方法包含提取用户风格倾向矩阵两个阶段,在 LongLaMP 数据集上生成质量优于检索基线。 该方法提升了个性化文本生成的可解释性。
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。
ProofCoder 是一个用于 Rocq 的 agentic 证明合成系统,通过连续推理和反馈指导的证明修订,在 AutoRocq 基准的 280 个任务上将证明成功率从 47% 提升至 60%。
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。
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。
AgentScript-Eval 评估 5 个模型生成 Salesforce AgentScript 代码,最佳模型 pass@3 仅为 25.0%,从零编写任务得分为 0。
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。
Vexorium-Agent 在 Lean Refactor Arena 封闭组最终榜单以 86.31 分位列第 8,超过参考证明的 33.33 分。 该智能体在 US$166.33 的总成本下完成 60 道题,平均每题 US$2.772,单题上限 US$3。
F3-AGI v4.0在ARC-AGI-1 400个任务中解决57个,平均延迟1.62秒。 该架构包含代谢优化、自适应程序合成及512D随机投影,在合成流中准确率达91.67%,且比EWC快2.19倍。 该模型为CPU原生神经符号架构,无需LLM调用,支持离线运行。
arXiv 发布 ExpertCrowd-SWE 基准,包含 100 个由资深工程师编写的多文件软件任务,覆盖 87 个开源项目和 11 种语言,用于评测自主编码智能体在大型陌生代码库中的表现。
研究者提出 SteerDistill 方法,通过闭环教师引导量化 LLM 智能体。该方法让全精度教师指导学生修正失败响应,并在无辅助推理时匹配被引导后的预测。 该方法在 W4A16 量化下,于五个基准测试中平均得分超过最强量化基线 1.67-2.18 分,且与 BF16 差距保持在 1 分以内。
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。
月之暗面(Moonshot AI)Kimi K3.1 Pro Highspeed 已上线 Amazon Bedrock,生成速度为 Kimi K3.1 Pro 的 2-3 倍,并支持 100 万 token 上下文窗口。
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。
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。
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。
summary_zh: Spaghetti Architect 生成器将程序转换为五种语言的混乱代码,通过移除注释使四款测试模型的得分降低,且对最弱模型的影响约为最强模型的十倍。
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。
VeriContest 发布了一个包含 1006 个 Rust 问题的竞赛编程基准,用于评估可验证代码生成。该基准基于 LeetCode 和 Codeforces,包含专家验证的形式化规格、judge 接受的 Rust 代码及 Verus 检查证明。
针对 SWE-bench Verified 上 5000 次运行,分析 6 个 LLM 显示多数模型常编写测试,但 GPT-5.2 极少生成新测试文件且解决率接近榜首。
一项基于106篇论文的系统研究确定了LLM驱动多智能体系统在软件工程任务中的核心设计要素,指出代码生成是最常见任务且功能适用性最受关注。 研究识别出16种设计模式,其中基于角色的协作应用频率最高,改善生成代码质量是主要设计依据。
summary_zh: ANCORA 提出开放式课程自我博弈范式,统一策略在生成可验证问题与解决之间交替,通过流形锚定机制提升推理能力。
JURIST 是一款 1.7B 参数量的小型推理裁判模型,利用接近部署的小规模元数据集对早期训练数据进行加权,以训练适合测试时扩展的裁判模型。
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。
EcoSearch 是首个针对预生成成本函数的常数延迟最佳优先搜索算法。 该算法结合 Bee Search 的成本元组表示与 Heap Search 的数据结构,采用桶队列替代优先队列。 在 DeepCoder 和 FlashFill 基准测试中,其任务解决率高出前人 12%-70%,速度快 1.6-3.2 倍。
TACT 通过激活转向缓解编码智能体的过度思考与过度行动,在 SWE-bench Verified 等基准上将平均解决率分别提升 5.8 pp 和 4.8 pp,同时减少 26% 的解决步骤。 该框架通过线性分离漂移轴检测异常,将偏离激活投影回校准区域,适用于 Qwen3.5-27B 和 Gemma-4-26B-A4B-it 等模型。
SWHForest 是一个开源框架,通过单次遍历解析 AST 并仅保留结构摘要,避免了下载整个多 TB 语料库。 在 Stack-Edu 10 大语言(52.1M 文件)测试中,该工具将搜索时间从小时级降至秒级,下载量减少 46-72%。 该框架解决了现代语料库缺乏结构层导致需先下载再过滤的问题。
AI辅助显著增加开发人员客观认知负荷,tDRT反应时间上升11.2%,但主观感知负荷未变。代码理解准确率在两组间无显著提升,存在天花板效应。 该研究揭示了双任务带来的认知成本未被准确感知,建议在软件工具和教学中考虑此额外负荷。
基于 30 项 KernelBench 任务的研究表明,本地 7B 参数 Qwen2.5-Coder-7B-Instruct 模型生成 CUDA 内核时,正确性而非速度是主要约束。 Profiling-guided prompting 策略整体表现最佳,正确率达 43%;而多智能体循环是唯一能解决 level-2 融合问题的方法,成功率为 3/10。
summary_zh: Crustify 是一款智能体共翻译器,为仓库级 C 库自动生成安全 Rust 绑定,在 libgit2 和 ffmpeg 中分别覆盖了 41.9% 和 42.8% 的公开 API。
研究团队发布 Longtail-SWE 基准测试,包含 13 种现有基准覆盖不足的编程语言共 202 个任务。 其构建流程使用求解器-裁判-修复器管道,并通过修正测试与描述来筛选任务。 评测了 9 种模型配置并分析了任务解决表现、一致性及相关资源开销。
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。
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%。
研究构建了针对放射学报告摘要的 LLM 对抗性评估框架,生成 18,000 个评估对以测试 6 款模型的鲁棒性。GPT-5-mini 在事实忠实度上表现最佳,但其摘要幻觉率为 28.1%-30.1%,低于 Claude Sonnet 4.5 和 MedGemma。
Program-as-Weights (PAW) 提出模糊函数编程范式,将自然语言规范编译为本地可执行的神经工件。PAW 使用 4B 编译器基于 10M 样本的 FuzzyBench 数据集,为冻结的 0.6B Qwen3 解释器生成参数高效适配器。
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。
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。
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。
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。
研究者提出 Latent Refinement Decoding (LRD) 框架,在保持并行生成优势的同时解决 Diffusion 语言模型的信息损失与决策不稳定问题。