Bloomberg 企业级代码迁移中的混合 LLM-确定性管道
Bloomberg 在数千个仓库的自动化迁移中,混合管道生成了 2,333 个 Pull Request,其中 729 次迁移成功。 该方案涵盖约 1,900 个 Python 和 6,700 个 C++ 仓库,通过限制 LLM 在预计算上下文内进行转换并引入运行时遥测数据来降低成本。 研究发现瓶颈在于人工审查与部署,而非迁移生成;在 C++ 编译验证和统一仓库群中,该成本显著降低。
Bloomberg 在数千个仓库的自动化迁移中,混合管道生成了 2,333 个 Pull Request,其中 729 次迁移成功。 该方案涵盖约 1,900 个 Python 和 6,700 个 C++ 仓库,通过限制 LLM 在预计算上下文内进行转换并引入运行时遥测数据来降低成本。 研究发现瓶颈在于人工审查与部署,而非迁移生成;在 C++ 编译验证和统一仓库群中,该成本显著降低。
ServerBench 基准测试显示,在 11 个编码智能体模型中,Claude Sonnet 5.5 在 Gemma E4B 上实现 2.97 美元/美元收益,达到 vLLM 参考系统的 $4.87\times$。 该基准采用有状态重放和独立验证,33 次运行中 22 次产出可用系统,其中 13 次超越最强基线。 分析发现,高价值设计需协调容量与负载选择,且可靠交付依赖于对优化执行路径的验证。
研究显示,显式推理可能导致模型耗尽 32k-token 预算而无法生成代码,这种现象在小型开源推理模型中被称为推理轨迹溢出。 实验涵盖 7 个模型和 6 个代码基准测试,在较难任务中,超过半数生成结果因推理循环耗尽预算。 对于易溢出模型,禁用推理或限制预算转换能确保答案生成并提升效率,表明显式推理应作为可控资源而非默认能力。
PersonaCodeBench 是一个新基准,将用户特征转化为可验证的义务,用于多轮编码交互。 该基准包含角色、技术能力、交互偏好及约束的人格池,通过控制器管理模拟用户响应与需求披露。 它分别评估原生正确性与个性化满足度,支持对前沿编码智能体进行可复现评估。
Replit 推出 ViBench 2.0 基准,用于评估长程软件构建能力。该基准包含 17 个全栈 Web 产品,基于 241 个功能请求,由浏览器智能体执行 544 个测试计划进行评分。 评测显示最强模型仅能交付 65% 的完整可用产品,且无开源模型达标;某模型家族 pass@1 从 3% 升至 53%,单次构建成本下降过半。
研究测试了 6 种 AI 工具在文献综述四个阶段的表现,指出 LLM 能辅助发现与解读文献,但无法替代专家判断。 基准基于西班牙羽流天气模式的 102 篇文献库,5 种工具共识别 57 篇,引入机构权限后 Codex 识别数升至 82 篇。 3 种工具在综合研究中存在误导性声明或共识夸大,需依赖专家进行证据评估与综合。
PTA 方法利用无监督学习从人机协作对话数据中识别可解释的行为特质,并评估其与任务成功及学习结果的关系。 该方法分析大规模协作会话记录,推导跨数据集的共同特质,为用户打分并选择覆盖最大方差的特质集合。 研究者在一项关于人机协作编程的数据集上评估了 PTA,以分析特质对任务成功的预测能力及其随时间的演变。
研究团队提出CARTBench基准,包含17个零售领域1603条产品记录和1328项专家标注标准,涵盖核心、卓越与安全维度。 测试显示10个模型中仅3个在核心任务超90%,无一在卓越任务超45%,揭示理解到执行的差距。
OpenAI 宣布将收购 Pierre Computer Company, Inc.。此举旨在扩展 Codex 在构建、理解和审查代码方面的工具能力。
阶跃星辰旗舰模型 Step 5 Preview 正式登陆 Qoder CN,支持 100 万 Token 上下文及文本视觉原生输入。 该模型面向 Agentic 任务,官方测试显示可连续迭代近 22 小时优化 GPU kernel,并支持一次调度 950 次网页抓取整理 30 万条数据。 这是 Qoder CN 首次接入阶跃星辰模型,双方将在后续持续推出更多合作功能。
阶跃 Step 5 Preview 正式接入阿里巴巴旗下的 Qoder CN 全系产品,用户可直接调用该模型。 Qoder 平台支持通过自然语言完成软件开发、数据分析等任务,目前已服务全球超 800 万开发者。Step 5 Preview 在 Bug 修复、代码重构及深度研究等场景中进一步提升效率。 此举让创意实现与复杂任务处理更加高效,开启 AI 创作与开发新体验。
开发者杨津在 CC Switch 发布 14 个月后分享开发心得,该开源项目现支持 12 个 AI 编程工具,获 149K GitHub Star,内置 90 多家供应商预设。
summary_zh: 研究人员提出名为 CodeSpear 的新越狱攻击,利用语法约束解码(GCD)诱导大语言模型生成恶意代码,平均攻击成功率提升超过 30 个百分点。
提出 COEVO 协同进化框架,在单一进化循环中统一 LLM 生成 RTL 代码的正确性与 PPA 优化,突破现有方法因目标解耦而丢弃部分正确但有架构潜力候选项的局限。
研究人员提出对抗性投机推理,提升长程智能体在复杂代理编码基准上的端到端成功率。 该方法通过训练仅占总参数 0.06% 至 0.28% 的草稿模型,在 30 步后改变输出分布并修正关键推理点噪声。 此方法将投机解码从单纯加速器转化为上下文精度分配器,且无需修改目标模型及其输出分布。
研究人员提出在 Lean 中数学形式化 PTX 的方法,用于建模和推理 GPU 内核中的常见模式。 该方法已用于证明 WGMMA GEMM 内核、FlashAttention 及 3 内核 MoE 流水线的简单实现正确性。
该研究首次对LLM代码生成中的规划-编码分离进行了全面实证分析,发现绝大多数规划器与编码器的组合效果与使用同一LLM相当。 强规划器搭配强编码器通常能提升有效性,且进一步训练编码器可增强各类组合的表现。 研究证明规划与编码可在很大程度上分离,为构建更灵活的代码生成系统提供了实证依据。
ChatGPT 与 Codex 正帮助工程师加速 CAD、PCB 设计及仿真等物理世界相关的工作流程。 这些工具通过整合 AI 能力,优化了传统工程领域的操作效率与设计周期。 此变化旨在通过自动化与智能辅助,显著降低复杂工程任务的时间成本。
Amazon Bedrock 新增印度本地推理,支持 Moonshot AI 的 Kimi K3 模型在孟买和海得拉巴运行。 该功能满足严格数据驻留要求,Ultrahhuman 用户反馈通过 prompt caching 使 LLM 成本降低 80%,多轮对话速度提升 85%。
Qoder凭借智能体Harness技术突破及全球领先市场份额,荣获2026世界互联网大会领先科技奖,成为国内唯一获此殊荣的通用Agent产品。 该产品家族涵盖桌面版、IDE及CLI等形态,已服务超800万用户;IDC报告显示其以47.6%份额位居2025年中国AI编程市场第一。
Kimi Code 桌面端发布 Linux 版本,新增文件树面板、Agent 实时更新进展等能力。内置浏览器与截屏框选可辅助 Web 应用调试,支持多种设备尺寸预设;结合远程控制、目标模式(Goal)和后台任务,可让依赖升级等长任务在无人值守时持续执行;分叉会话(Fork)能从当前节点保留历史上下文生成独立分支,用于对比不同实现方案。
开源 Coding Agent Metis 发布,旨在通过定制 Agent 架构解决工程交付问题,并内置硅基流动作为模型服务商。 Metis 采用三层架构:分工明确的 Agent 团队、验证门禁及自学习闭环;支持桌面、终端及 Skill 版,可跨会话积累经验。 该工具让开发者将真实仓库交给 Metis 处理,通过硅基流动统一入口灵活选择模型,实现从调查到验证的完整任务交付。
研究团队推出 VeriHarm 框架及 VeriHarm-Bench,用于自动验证 LLM 编码智能体在完成任务时是否造成意外危害。该基准通过最小化扰动任务诱导有害行为,并合成可执行测试同步评估任务准确率与安全结果。
评估显示,在22个托管决策模型中,将策略边界改写为示例和反例,使全部23个可用模型的召回率提升5.5-26.1个百分点,并在21个模型上减少误报。 Jev 1.14模型召回率从89.3%升至98.2%,对252个干净操作的无效中断率从30.6%降至4.8%,且具体名称替换为通用描述后仍保留召回增益。 研究已公开数据集、规则文本及测试框架。
新基准 Switch-SWE 测试了 7 个编码智能体在同一仓库内切换未完成任务时的专注度,结果显示交错工作导致平均任务解决率下降 11.5 个百分点。 该基准包含来自 19 个 Python 仓库的 200 个焦点任务,通过引入插件式上下文管理模块,在 OpenCode 上将任务完成度提升 5.5 至 15.5 个百分点。
研究人员对基于SWE-bench的LLM和Agent自动程序修复(APR)进行了大规模安全分析,使用20000+个GitHub issue对比了开发者补丁与AI生成补丁的安全风险。
研究者发布 CR-Bench-v2 缺陷中心评估框架,包含 584 个实例及 174 个 CR-Bench-Verified 子集,旨在解决现有基准缺乏标准化的问题。
arXiv 论文提出 BOBA-Bench,包含 280 条由 140 个开源项目衍生出的 20 连任务链。评估显示 10 款编码代理在单步任务中完成率高达 95%,但在连续链式任务中降至 51%。研究指出原因并非代码质量变差,而是代理在自身测试通过后即标记完成,导致后续请求建立在含错代码上。引入外部验证和一轮修复可将链式完成率提升至 59%。
推荐理由:论文通过长链任务揭示了编码代理的自我验证盲区,指出外部校验能显著降低错误累积率。
KAPPO 框架通过提示自适应正则化或奖励转换,将标准 @1 策略优化方法无缝适配至 @k 目标,直接控制 LLM 后训练中的锐化现象。 该框架在一次性参考校准后无需改变训练流程,实验表明单补全训练即可达到多补全 @k 优化器的性能,且成本仅为后者的一小部分。
ReWY 通过代数重构将 Delta-Rule 线性注意力的局部矩阵乘从 7 次降至 3 次,消除逆伴随项,优化 DeltaNet 等模型的反向计算。 NVIDIA GPU 上四种算子全精度加速 1.18-1.70 倍,Ascend 950DT 上加速 1.09-2.89 倍,保持梯度精确性与架构不变。
Jet-QSparse 提出一种免训练方法,结合 NVFP4 缓存存储与 Blackwell 张量核心的原生 FP4 计算以加速 Agentic LLM 推理。
ProLand 提出一种无回缩优化器,结合 Muon 风格谱方向与 Stiefel 流形上的 Landing 方法,解决 LoRA 微调中基向量冗余问题。 在 DeBERTa-v3-base 及 Qwen2.5-3B 等 11 项任务中,ProLand 在所有测试配置下取得最高平均分。
SWE-Opt 是一个基于 102 个开源项目专家优化案例的仓库级基准,用于评估 LLM 在代码性能优化中的表现。该基准通过参数化测试,在噪声感知条件下评估运行时、峰值内存和时间加权内存使用(TWMU)。
Trellis 系统通过整合增量编译器反馈提升代码正确性并控制修复成本,采用基于回滚的搜索进行定向修复。 该系统适配 Clang 和 tsc,集成到 OpenCode 中,在 C/C++ 和 TypeScript 任务上使编译率提高最高 13%,测试通过率提高最高 11%。
提出结构化的智能体式软件工程(SASE)愿景,将智能体从代码生成转向实现复杂目标导向的软件工程任务。 论文提出代理命令环境(ACE)与代理执行环境(AEE)双工作区,支持人类编排与代理间的人机双向协作及回调机制。 旨在为软件工程专业提供概念框架与结构化词汇,推动行业向可扩展且可信的智能体未来演进。
PyCapsule 提出双智能体自调试流水线,使开源 Qwen2.5-Coder-Instruct 7B 模型在 HumanEval 和 MBPP 上超越 GPT-4 和 GPT-3.5 的独立表现。
summary_zh: 审计发现 Lean 4 代码生成基准 CLEVER 的 161 个条目中,有 80 个存在参考规格错误。基于 Claude Opus 4.6、GPT-5.4 和 Kimi K2.5 的智能体系统生成了高达 98.8% 的有效规格,并在无错误前提下实现了 96.2% 的端到端成功率。
实证研究表明,编码智能体在跨任务持续进化时存在严重灾难性遗忘。 实验发现,在 FeatureBench 上迭代进化会导致 SWE-Bench 性能大幅回落,甚至相对下降 66%。 该发现揭示了智能体持续自我进化面临的稳定性瓶颈与优化方向。
summary_zh: 提出自动化框架 SessionFarmer,将多轮对话与提交历史转化为自包含软件任务。构建含 242 个任务的开源基准 CropChat,覆盖 61 个仓库与 14 种语言。
研究对比 Qwen2.5-Coder 与 Devstral-Small 在 4-bit AWQ/GPTQ 量化下的编码表现。 未检测到统计显著准确率损失,但 AWQ 使 Qwen-7B 单次求解从 17 降为 0,循环求解从 10 升至 25。 编码智能体的量化鲁棒性评估应关注解题轨迹、工具使用及失败模式,而非仅最终准确率。