跳到正文
10月28日周三
  1. arXiv · AI23

    CIVER:基于因果干预的可靠代码审查验证框架

    针对LLM代码审查中假阳性高发的问题,论文提出因果干预框架CIVER,通过专家迭代联合优化评估、干预与验证模块,有效区分真实缺陷与无效评论。 实验显示,CIVER在SWE-Review-Bench基准测试中准确识别了77%的真实缺陷。 该框架不仅具备跨代码库泛化能力,还能提升下游编码智能体的任务成功率,增强自动化代码审查的可靠性。

  2. arXiv · AI42

    PROBE 基准测试:前沿编码智能体发现的漏洞与维护者修复的漏洞存在差异

    研究提出 PROBE 基准,包含 20 个 GitHub 仓库在 18 个月内修复的 2457 个漏洞。 前沿编码智能体对该基准的召回率低于 21%,精确率不足 9%,但 LLM 与人类评估者仍判定 85% 的发现有效。 智能体发现的漏洞分布相似但显著不同于维护者修复的漏洞,该基准对模型用户和开发者均有价值。

  3. arXiv · AI29

    UnityBench-Mini3D:评估LLM智能体在Unity中开发3D游戏的能力

    发布UnityBench-Mini3D,包含77个Unity项目级任务,用于评估LLM智能体在3D游戏开发中的表现。 该基准使用1,178个人工编写的里程碑测试进行评估,覆盖场景结构、组件配置和运行时行为。 在21个模型和9个编码框架测试中,简单任务平均通过率为80.9%,困难任务为35.2%,总体为57.7%。

  4. arXiv · AI44

    InfraDev:代码智能体能否开发 AI 基础设施及如何评估

    InfraDev 基准由 36 个源自 Megatron-LM、vLLM 和 verl 的真实 PR 任务组成,用于评估代码智能体在分布式 AI 基础设施开发中的表现。 该基准联合生成隐藏探针和提示词进行评分,共享执行环境使存储减少 52-57%,构建时间减少 13-14%。 六个前沿模型中表现最好者仅解决 38.9% 的任务,探针拒绝了 32% 通过官方测试但错误的提交。

  5. arXiv · AI36

    kw-bench:在现实任务中突破前沿模型限制

    kw-bench 针对审计等调查性任务发布新评测基准,使用 DeepSeek v4.1 Flash 实测显示独立 harness 得分 0.542 与 0.528。 前沿模型如 Claude Opus 5.5 仅需 22-25 分钟完成任务并得分近 1.0,将数周工作压缩至数分钟。 低于前沿模型时,harness 决定模型能走多远,而前沿模型则彻底改变成本与效率结构。

  6. arXiv · ML26

    EnerGNN:学习优化兼容能量函数以实现精确约束组合推理

    EnerGNN框架通过混合整数规划实现精确约束推理,在多个基准测试中达成100%可行性及近最优解。 该模型采用图神经网络编码器与非线性能量头,在供应链问题上实现17.4倍加速且平均原始间隙仅为0.05%。 学习到的能量函数支持零样本约束注入,无需重新训练即可适应变化约束并保持可行性。

  7. arXiv · AI48

    AgentLogs:揭示 GitHub 云智能体内部运作的大规模日志数据集

    研究团队推出 AgentLogs,这是首个涵盖 GitHub 云智能体真实世界活动的大规模数据集,旨在打开黑盒,记录包括失败在内的执行过程。 数据集包含来自 40,565 个公共仓库的 363,624 个任务和 635,886 个会话,以及 75,631,136 条日志条目,详细记录了提示词、推理、工具调用和 token 消耗。 该数据集支持对智能体行为、故障模式、效率成本及人机协作等方向的研究。

  8. arXiv · AI49

    Claude Code 压缩摘要导致进程超时结果误判:一项认识论失效研究

    研究发现 Claude Code 在将长会话历史压缩为摘要时存在失效模式,被终止命令的部分输出被误记为已确认结果。 该机制源于将终端即时观测等同于持久化存储信息,导致虚假阳性跨会话传播且缺乏再验证。 此失效影响依赖智能体会话连续性的数据处理及多步自动化工作流,揭示了工具在报告自身操作结果时的可靠性缺陷。

  9. arXiv · AI36

    评估LLM代码生成中的有害记忆现象

    研究人员提出代码重写管道与有害记忆指数(HMI),用于量化LLM在语义微变下的代码生成脆弱性。 实验基于MBPP+和BigCodeBench基准发现,HMI不随模型规模单调增加,且集中在约束变更等逻辑编辑中。监督微调可能推高HMI,而PPO后训练在准确率与HMI权衡中表现更优。

  10. arXiv · AI39

    高效 AI 编程推理模式实证研究:四类通用模式识别与应用

    针对四个编程任务挖掘推理模式,识别出设计到实现、状态追踪、证据修复重检及语义映射四种通用模式。 正面模式促进验证收敛,负面模式体现无闭环的重复修订;基于模式的应用可提升任务准确率并显著降低 API token 消耗。 这些推理模式特征在未见过的新模型上同样有效,支持对大推理模型行为的分析与控制。

  11. arXiv · AI26

    Coding-Agent Harnesses 自我演化机制实证研究:回顾性适应的有效性分析

    研究通过 Claude Code 在 30 个 SWE-bench Verified 任务中实施 24 项 harness 变更,评估回顾性适应对后续任务的影响。结果显示,7 项针对性测试中仅两项消除或减少目标操作,四项无显著改善,且部分变更引入了额外无关工作。研究强调 harness 自我演化需建立变更有效性验证机制,而非仅靠生成与实施调整。

  12. arXiv · AI25

    CodeMeepo:一种用于仓库级代码迁移与优化的多智能体工作流

    CodeMeepo 多智能体流水线解决了 LLM 代理在仓库级代码迁移中的测试盲区、上下文窗口限制及性能损耗问题。 该工具利用 8 个专业化智能体角色、固定外部预言机及确定性状态机,通过有序里程碑和累积回归检查确保行为一致性。 在 3 种语言对的 9 个基准测试中,CodeMeepo 测试通过率比 SOTA 基线高 18%,优化阶段使一半基准性能平均提升 25%。

  13. arXiv · AI26

    HMOS Migrator:基于智能体流水线与产物验证的 HarmonyOS 应用迁移

    针对 Android/iOS 应用迁移至 HarmonyOS 需重写 ArkTS 且功能验证难的问题,HMOS Migrator 通过回放真实设备交互生成并验证迁移结果。 该智能体流水线定义了 7 项加权指标,在 6 个开源应用 12 次测试中,结构完整性达 83.3%-100.0%,但设备行为与 UI 保真度分别为 4.3%-63.1% 和 21.1%-63.2%。

  14. arXiv · AI45

    Numina Fuse:基于 Lean 4 的交互式自动形式化智能体

    Numina Fuse 是一款用于在 Lean 4 中进行数学形式化的原生智能体应用。 用户通过蓝图、依赖图和 Lean 代码视图监督 AI 编排器,后端可长时间运行智能体任务。该工作展示了 2026 年从预定义流水线向自主编排器的演进,并应用于三维 Kakeya 猜想的形式化研究。 开源本地版本 Fuse Desktop 已发布,为下一代自动形式化系统提供了设计经验。

  15. arXiv · AI31

    AdaPRA:采用自适应评分标准的过程奖励智能体用于数据科学

    AdaPRA 通过持久化代码智能体框架和自适应评分标准监督,减少数据科学流程错误。 在 5 次尝试中,AdaPRA 使 80B Qwen 模型在 DSPredict-Easy 和 DSPredict-Hard 上的排行榜百分位分别提升 24.5 和 14.8 分。 该方法验证了易任务评分标准可泛化至难任务,且优于 DataPRM,代码已开源。

10月27日周二
  1. Qoder33

    国金证券 × Qoder 规模化 AI 研发共建实践:AI 代码生成占比超 90%

    国金证券与阿里云合作,利用 Qoder 将 AI 代码生成占比稳定提升至 90% 以上。 双方将 2000 余份知识卡片提炼为 10 条避坑规范,覆盖 5 类研发环节;实测知识导航减少工具调用约三成,显著降低存量系统开发风险。 此举将个人经验转化为组织标准,确立标准与约束为 AI 规模化落地的核心瓶颈,而非工具本身。

  2. arXiv · NLP25

    Change2Task: 将仓库变更转化为可执行编码智能体任务与环境

    系统 Change2Task 基于仓库历史将合并 PR 转化为 5 类可执行编码智能体任务,从 1,130 个源变更中实现 79.6% 的验证任务构建成功率。 系统通过 Patch Reversal 和 Code Mapping 等技术对齐历史证据与演化代码,匹配候选集上比 PR 基线多恢复 29.2% 的验证任务,且重用现代基座使全流程支出降低 10.8%。