VerusWeave: 面向并发 Verus 程序证明修复的基准测试
VerusWeave 发布首个并发证明修复基准,源自四个开源项目。 包含 75 个聚焦任务和 17 个全模块变体,利用 Verus 进行验证。 初步评测显示,通用编码智能体在聚焦任务成功率达 75%-85%,全模块任务为 29%-47%。
VerusWeave 发布首个并发证明修复基准,源自四个开源项目。 包含 75 个聚焦任务和 17 个全模块变体,利用 Verus 进行验证。 初步评测显示,通用编码智能体在聚焦任务成功率达 75%-85%,全模块任务为 29%-47%。
该研究提出Kerkoporta方法,通过监督微调在推理模型中植入结构化输出后门。攻击者可将触发器置于智能体上下文任意位置,诱导模型发出指定工具调用,成功率高达96.2%。 该方法结合轻量级强化学习以恢复模型效用,使得被污染的模型在标准基准测试中甚至可能优于干净基线。
SWE-Trail 提出利用早期轨迹指导后续探索效率,保持历史在智能体上下文之外。 该方法在 SWE-bench Multilingual 和 SWE-bench Pro 上分别提升 124B Ling-3.0-flash-base 模型 2.33 和 1.60 个百分点。 相比独立采样,此法有效解决了训练与测试不匹配问题,提升了代码修复能力。
LARK是一个能自动对LLM生成的GPU内核进行形式化等价性验证的智能体框架。 它通过Lean 4将内核拆解为可证明片段,并与PyTorch参考实现逐段比对以验证正确性。 在KernelCraft任务中,LARK配合ReAct智能体,使GLM 5.3成功验证了12个Level-1内核中的10个,并在生产级内核中发现了1个新的数据竞争漏洞。
研究提出 ParallACT 基准,测试共享代码库中无编排器多智能体协同。单智能体 Oracle 性能显著优于多智能体,互补任务表现尚可,但矛盾任务性能从 62% 跌至 16%(Claude Code 配 Claude Opus 4.8)。 仅告知智能体存在同伴帮助有限,提供通信通道虽能恢复少量性能,但会增加额外 token 成本,且该差距在六种配置中普遍存在。
该综述系统回顾了 LLM 驱动的 Text-to-SQL 方法,涵盖 100 多篇论文及资源,聚焦于 2022 年至 2026 年间的工作。文章确立了统一分类体系,将 LLM 方法归纳为五范式,并按模型粒度、监督级别和推理风格进行特征化分析。研究同时剖析了评估指标、数据集,以及领域泛化、效率、实际部署和语义层等开放挑战,并讨论了负责任 AI 实践。
OpenAI 构建了 Git 兼容后端 Pando。 该后端专为 Codex 所实现的开发规模而设计。
Qodo 将公司知识与编码标准集成至 Codex,帮助开发者在提交拉取请求前捕获跨仓库的 P0 问题。 该功能利用上下文增强 AI 代码审查能力,确保代码变更符合团队既定标准。
Qoder 将在 11 月 3 日举办 60 分钟直播,全程零代码演示制作 3 个私人财务 AI 智能体。 这些智能体包括收支记账台、宽基量能雷达和维权止损助手,支持口述需求直接生成应用。
ZCode 更新至 3.17.1 版本,正式上线 Computer Use、Browser Use 与 ZCode Sites 官方插件。用户可通过插件操控本地桌面软件、浏览器执行图文调研与 OA 填单等日常任务;在编程场景中,ZCode 支持拉起浏览器实测交互、修复 Bug,并通过 ZCode Sites 将网页项目(如 3D 射击游戏)一键部署上线为在线链接。
Kimi 发布游戏开发与创意工作解决方案,基于 Kimi K3.1 Pro 模型及 Kimi Code 等 Agent 产品。 支持连接 Unity、Unreal Engine 等工具,协助团队在 1-2 天内制作可试玩原型,实现从立项到运营的全流程支持。 显著降低创意验证成本,帮助游戏团队更高效地推进工程与美术制作。
阿里智能体平台 Qoder 获 2026 世界互联网大会领先科技奖,成为国内唯一获奖的通用 Agent 产品。 Qoder 实现模型、Agent 运行框架与产品的联合设计,覆盖桌面版、AI 原生 IDE、CLI 及云端 Cloud Agents 等场景。 Qoder 已服务超 800 万用户、10 万家企业,中国 AI 编程市场份额达 47.6% 位居第一。
研究团队推出包含 67,658 个 Python 程序对的 SCRBench 基准,用于评测语言模型的代码语义变更推理能力。 该基准在 4,500 个分层子集上测试了 5 个大模型,结果发现最高模型在语义等价检测准确率 94.71% 时,语义变更诊断准确率仅为 54.44%。 序列重建任务表现更差,最佳模型精确重建率仅 39.27%,当包含 5 处变更时模型准确率不超过 1.11%。
研究在 10 个 Java、C 和 C++ 系统上对比不同表示方法,发现编码依赖信息的表示法在大多数系统上优于纯词汇表示法。 使用异构图 Transformer 时,支持文件夹的变体在预测一致性上表现最佳,但目录规则的单系统中位数准确率达到 89-100%。 成员节点无法带来一致改进,建议在归因图神经网络的优势前,先评估文件表示和目录组织已提供的信息。
研究人员提出 TVQ 方法,利用直通估计使量化后的大语言模型支持基于梯度下降的任意目标优化。 该方法采用块级知识蒸馏范式平衡质量与效率,在 LLaMA2-70B 上实现近无损的 2-bit 量化,问答基准准确率仅下降 1%。 该研究被 ECML PKDD 2026 接收,展示了低比特后训练量化的 SOTA 性能。
大语言模型在 ROS1 到 ROS2 代码迁移任务中的表现远低于通用编码基准,ROSTrans 揭示了这一领域特有的复杂挑战。 该基准包含 108 个来自 70 多个开源 ROS1 仓库的任务,通过执行导向的测试评估接口、行为和系统级正确性。
MetaVul 提出一种用于漏洞检测的智能体框架自优化框架,通过迭代优化提升 LLM 检测准确率。 该框架在验证集和留出集上分别将成对漏洞检测准确率提升 23.3 和 25.8 个百分点,并能跨模型迁移提升 14.7 个百分点。
ArchOR 代理在五个基准测试中取得 65.00% Micro-Avg. Pass@1,较基线 OptSkills 提升 1.64 pp Micro-Avg.。
RTL-Interact 提出多任务后训练框架,使单一模型通过 EDA 工具反馈进行 RTL 生成、检查与修订,在 CVDP 上 32B 版本 Pass@1 达 48.7%。
本文演示了如何使用 Amazon Bedrock AgentCore 运行时中的 Session Endpoints,在你的浏览器中实时预览编码代理构建的 Vite 网站。通过本地端点,你可以直接观察代理保存文件时网站的变化,无需重新部署。示例展示了代理如何将深色主题变更实时推送到前端,以及如何通过 Session Endpoints 访问会话内的第二个端口。
高德地图将 Qoder CLI 接入钉钉群,构建需求、报警、代码审查三个 Agent 机器人,消除人工转述背景与搬运结果的环节。 技术架构基于 cc-connect 与 MCP 协议,五周内业务机器人完成 271 次 CodeReview,其中 25% 结论为需修复或阻断的 P0/P1 问题。 该实践验证了 Agent 嵌入即时通讯工具以获取上下文的有效性,成为团队日常研发流程的固定环节。
阿里 Qoder 上线桌面端互联功能,支持通过设备配对连接另一台运行 Qoder 的设备,用户可在常用客户端中发起远端任务并预览 PPT、Excel 等生成结果。
inclusionAI 开源扩散语言模型并行树形推测解码方案 UBTree,在 Qwen3-8B 上实现平均 6.94× 加速,并在 Ling3-Flash-124B MoE 模型上取得 3.43× 平均加速比。
论文提出选择性代码生成器,利用动态代码分析自动生成单元测试以评估功能正确性,通过弃置低置信度生成控制误报率。 该方案结合 FuzzEval 范式,将生成的单元测试应用于精确的代码评估与学习,验证了方法的有效性及代码幻觉的可控性。
FeatLens 提出一种特征引导的依赖检索方法,在 DevEval 和 EvoCodeBench 基准测试中分别达到 0.527 和 0.529 的 DR@15 值,取得最高依赖召回率。 该方法通过构建自然语言特征与代码实体的离线索引,在线检索阶段无需 LLM 调用,并支持 DeepSeek-V3.2 和 GPT-5-mini 模型获得最高的非 oracle Pass@1 结果。
研究显示,保留经验证的闭环机器人策略代码可提升新任务成功率。 在 RoboCasa 中,使用验证选定的源代码将目标任务成功率从 41.5% 提升至 57.0%。 该方法在物理 Unitree G1 上验证了学习过程,证明优化源代码能助益新策略获取。
开源工具 Rebuild Dossier 在编码前锁定应用接口,并通过自动化检查强制“一次一测试”构建流程。 对比显示合规智能体在保留测试中失败,而违规者全部通过;在大应用上该工具甚至未运行自动化检查。 该工具采用 MIT 协议,支持在自有应用中端到端复现。
研究者提出结合规则引导与LLM精化的框架,从交互中蒸馏开发者专属技能。 实验发现任务级技能整体更有效,仅当偏好高频出现且任务高度相关时,个性化技能才更具优势。 研究指出可广泛迁移的程序性知识比个人偏好信号更稳健,有效个性化需挖掘丰富的用户信号。
研究引入包含 53.6K 条真实 IDE 代码编辑的 DECODE 数据集,分析开发者修改 AI 生成代码的行为。 数据显示开发者投入极少修改 effort 且快速放弃代码,Frontier 模型在推断编辑意图时易过度修改或撤回人工编辑,微调 LLM 虽能提升相似度但无法完全弥补与 Frontier 模型的差距。 这些发现旨在通过研究真实代码编辑数据,促进更高效的开发者与 AI 交互。
ASTOR 框架提出基于任务效用的多任务代码强化学习方法,通过效用路由数据调度和自适应策略优化提升 LLM 训练效果。 实验表明,ASTOR 在四个编码任务上超越最佳单任务专家 9.0%-9.5%,优于最强 MTRL 基线 7.5%-12.8%。
DualGauge 提出首个全自动框架,联合评估规格驱动代码生成的正确性与安全性。其配套 DualGauge-Bench 包含 307 个任务,测试 10 种 LLM 和 3 个编码智能体。
研究人员分析了45个真实编码智能体会话(102,233条记录),估算23.4%的代码编辑结束后无独立验证,57.8%的已标记完成待办项缺乏中间证据。 提出的Soei系统采用哈希链本地账本,体积仅为原始数据的20%,不含内容或凭证,验证速度约126k events/s,且能检测篡改。
summary_zh: Lev-3B 是开源 3B 参数决策模型,基于 Granite-4.1-3B-Base 构建。其训练配方包含两阶段课程学习:先学习无日志的自然语言决策,再混合 35 项辅助任务处理日志数据。
针对 gLayout 生成器在 SKY130 工艺上的受控实验表明,直接绘制布局的主要障碍是高时间与 token 成本,而基于生成器框架的优势在于可复用性。 其验证过的原语确保模型每次编辑规模小且可检查,参数化设计允许一次编辑在布局族范围内评估,测试最易失败成员可提升整个布局族质量。 实验结果可作为本地模型的监督信号,使其以更低的推理成本学习适用于整个布局族的编辑操作。
MUSE 提出结合多层级记忆与选择性运行时注入的框架,在数值求解、内核优化等四个基准测试中全面超越检索与记忆基线模型。 该框架从历史轨迹构建全局、方法级及实现级记忆,执行时利用当前交互检索实现级记忆,由 LLM 门控选择性注入建议或跳过。
针对前沿 LLM 在稀缺 NPU 上准确率崩溃的问题,该研究在 FuriosaAI RNGD NPU 上运行 LLM 多智能体循环,12 天内优化 3 个 Gemma-4-12B 解码内核。
研究通过 5,625 次试验发现,Coding Agents 在默认偏好冲突时压倒性地遵循仓库先例(359/360 次试验)。 本地支持文件使先例采纳率达 96%,而同级资源文件仅为 4%;显式书面优先级规则在开源仓库中可将联合成功率从 0/120 提升至 117/120。 这些发现强调了在设计决策可追溯性中保存实现逻辑及优先级的必要性。
提出 Skeleton Coding 范式,要求开发者与行为规范共同指定程序结构,将 AI 辅助编码建模为控制问题。 理论证明该方法可将所需测试数量呈指数级减少;实证显示最佳骨架规范使平均测试错误降低 48.4%。 缩小小模型与大模型性能差距约 52.4%,同时将实现成本降低 15 至 26 倍,平均代码侵蚀率降低 24.7%。
APE 框架通过提供签名、防篡改且机器可读的 AI 智能体流程取证,将会话与结果关联,并支持 in-toto 风格的证明框架。 该框架旨在解决供应链攻击、策略合规及任务对齐三大程序性问题,通过“策略即代码”控制智能体流程,仅在必要时引入人工干预。 APE 实现了流程感知记录,使临时性的 AI 智能体行为变得可追溯,从而满足治理与审计需求。
作者提出一种让 AI 智能体自主提出研究问题、执行实验并撰写论文的系统。该系统赋予现成编码智能体两个技能:一是从近期技术出发发散出其他领域的问题并筛选已知失败模式,二是通过另一个模型族的评审智能体重新运行研究记录以完成同行评审。在所有五次连续运行中,从问题提出到修订后的可复现论文均在笔记本电脑上本地完成,无人类研究输入,外部 AI 评审仅阅读论文后判定其达到或接近 Workshop 水平。