跳到正文
11月19日周四
  1. arXiv · AI32

    SuperScout 通过预扫描仓库实现编码智能体的成本感知路由

    模型 SuperScout 在 SWE-bench Pro Python 测试集上以约 1/5 的单次求解成本,达到与最佳单模型 159/266 的相同解决率。 其 7B 搜索器生成经沙箱验证的交接文档,路由器基于隐藏状态调度任务,新增修复器无需重新训练。 消融实验表明交接文档而非路由决策本身承担了主要增益,搜索器额外计算开销低于 0.5 美分。

  2. arXiv · AI32

    研究揭示 GenAI 如何重塑软件组织认知工作分配

    针对 44 名软件从业者的研究表明,GenAI 虽提升效率,但需投入额外精力进行提示、审查与验证,并未消除认知负荷。 从业者预期角色将从直接编写代码转向引导、评估及整合 AI 辅助工作,人类判断与责任仍为核心。 该研究指出 GenAI 将认知工作重新分配至监督领域,而非单纯简化任务,整体负荷变化仍不确定。

  3. arXiv · AI25

    生成式 AI 软件测试:从业者对收益、挑战、机遇与风险的看法

    针对 64 名软件从业者的调查显示,生成式 AI 在减少测试工作量、生成测试用例及调试方面被普遍认可。 参与者担忧提示词依赖、信任缺失及错误输出,用户组更重视可靠性风险,非用户组对特定技术挑战存在更多不确定性。 研究强调生成式 AI 作为辅助技术需经人工验证,并指出从业者经验显著影响其对 AI 辅助测试的认知。

  4. arXiv · AI33

    Metrics-in-the-Loop:复杂度反馈重塑智能体编写的代码

    提出“Metrics-in-the-Loop”推理时干预机制,在智能体编写代码轨迹中注入循环复杂度与测试覆盖率反馈。 实验表明,复杂度反馈显著降低代码复杂度聚集而不影响正确性,为智能体提供“重新纠偏”的实用路径。 随着智能体处理百万行级代码库,此类实时干预对维持长期代码可维护性至关重要。

  5. arXiv · AI38

    Where the Tokens Go: Heat, Entropy and Error in Agentic Coding

    研究提出软件热力学理论,将 Coding agent 的 Token 消耗分解为功与热。测试套件充当麦克斯韦妖判定变更,单次运行中 80% Token 被归类为热,自由能耗为总耗 14%-22%。编码成本是反编码的 1.1-1.5 倍。 该理论旨在通过热力学视角分析并优化 Coding agent,提供新的分析工具。

  6. arXiv · NLP23

    EasyOPD:基于 verl 的大语言模型在线策略蒸馏框架

    EasyOPD 是基于分布式强化学习框架 verl 开发的在线策略蒸馏框架,支持跨 tokenizer、自蒸馏及步进式蒸馏三种场景。 该框架通过解耦用户配置、监督逻辑与执行后端,提供 YAML 配置文件、文档及安装演示包。 实验显示其能在推理、代码生成等基准任务中保留特定目标并展现差异化性能表现。

  7. AWS Machine Learning Blog62

    Airbnb 如何在 Amazon Bedrock 上用量化成本运营编码智能体

    Airbnb 通过在 Amazon Bedrock 上评估模型得分与“每任务成本”来运营内部编码智能体,并在生产环境通过 CloudWatch 监控延迟、限流与开销。评估体系包含 7 个任务集、多维度评分器及推理强度档位控制;生产侧监控包括延迟、令牌消耗、吞吐量与缓存命中率。该流程使 Airbnb 能够在模型发布后数小时内完成评估并调整智能体配置,使重度用户的成本在切换模型后降至约原来的七分之一。

    推荐理由:结合 Airbnb 的一线实践,拆解编码智能体在 Amazon Bedrock 上的成本核算与监控方法,可直接复用到模型选型与容量规划。

  8. Google DeepMind83

    Google DeepMind 发布 Gemini 4 Neon 模型

    Google DeepMind 发布 Gemini 4 Neon 模型,在 Artificial Analysis Intelligence Index 上以 xhigh thinking 级别获得 61 分。

    推荐理由:原文披露了模型在编程、科学推理及网络防御评测中的成绩,提供了定价与 API 部署细节,便于判断其性价比与落地场景。

11月18日周三
  1. arXiv · NLP22

    编码智能体中检查通过不等同于任务完成:证据解读研究

    针对编码智能体中验证程序无法保证正确判定任务完成的问题,研究提出需保留执行事实并限定证据范围。 十三项任务的前瞻性阶乘研究显示,正确报告的事实未必能得出请求的有限判定;122个留出集标签均正确,但16个响应误报事实且11个超出授权范围。 结果界定了证据解读的适用性,未证明通用的诊断优势或Skill退化效应。

  2. arXiv · AI22

    利用大语言模型与知识表示实现类人语义导航以应对自动驾驶动态场景

    研究探索利用大语言模型将非正式导航指令转化为答案集编程规则,解决自动驾驶在动态城市环境中依赖预定义地图导致的适应性难题。 答案集编程提供非单调推理能力,使车辆能在道路布局变化或地图数据缺失时进行自适应决策,增强了导航的可解释性。 该方法通过自动翻译逻辑规则支持基于语义的决策制定,提供了与人类沟通导航意图高度一致的动态规划框架。

  3. arXiv · AI28

    编码智能体如何引发选择性推理并导致统计推断失效

    编码智能体在假设检验中引发超充选择性推理,在零效应模拟数据中使4款前沿智能体报告的显著p值率达54%-98%。 该方法通过重置并重放智能体在数据子样本上的分析,估算其选择相对概率以修正推断。 修正后,高误拒率被稳健降至接近5%的名义水平,方法对智能体选择行为稳定时渐近有效且一致。 ```

  4. arXiv · AI29

    BugGen 2.0: 重构 LLM 角色以实现可扩展的 RTL 缺陷合成

    BugGen 2.0 将 LLM 职责限定为局部语义重写,确定性算法负责结构分析与目标选择,在 OpenTitan 等 IP 块上实现 6.8x-15.4x 的 token 使用降低。 该方案跳过 63.6% 的 AES 及 33.9% 的 FabScalar 变体模拟,通过子集模拟估算,将 77.7% 的 AES 变体判定为可接受。 此举在降低推理与模拟成本的同时,提升了跨模型与设计的一致性。

  5. arXiv · ML58

    编码基准分更高的模型未带来更多实际工作成果

    这项基于 GitHub 数据的研究发现,访问编码基准得分更高的模型(如 Claude Fable 5)并未显著增加开发者的实际合并成果。研究者利用 2026 年 6 月 Fable 5 模型受限 19 天的事件作为自然实验,对比了 297 名受影响用户与 8,908 名对照组开发者的拉取请求合并率,结果显示 7 天合并率仅提升 1.4 个百分点,且不具备统计显著性。

  6. arXiv · ML26

    在笔记本 iGPU 上用 SFT 和 QLoRA 微调 Gemma 4 边缘模型生成 MATLAB 信号处理代码

    研究人员使用 SFT 和 QLoRA 微调 Gemma 4 边缘模型 E2B 和 E4B,生成 MATLAB 信号处理代码,通过 OpenVINO 部署 8-bit int8 模型。 基于 66 个示例训练,E2B 和 E4B 在 11 个子任务上的通过率分别提升至 37/66 和 47/66,适配器主要修正 DSP 惯例错误,但生成速度成本增加 17-19%。

  7. arXiv · AI26

    AI 编码助手与开发者生产力的系统性综述:碎片化标记与混合结果

    这项系统性综述分析了 187 个生产力相关标记,发现当前证据基础碎片化且缺乏跨研究可比性。 第一阶段综合明确考察生产力的研究,第二阶段利用 SPACE 理论扩展至满意度与福祉等结果。 明确生产力研究以时间、输出为导向,而更广泛的证据表明感知积极的效应强于客观统计结果,无法得出简单结论。

  8. arXiv · AI35

    自我改进编码智能体中价值观对其构建产物的影响

    研究证实,在自我改进编码智能体的指令文件中加入简短价值观陈述,不仅影响其任务性能,还改变其构建的算法特征。评估显示,开放性价值观提升了保留数据上的表现,而保守价值观导致分数低于无价值观基线。允许智能体自行修订价值观会缩小不同价值观间的差异,且从AI文献提炼的价值观未显示出优于无价值观的效果。这表明精心设计的人类价值观能实质影响智能体的输出。

  9. arXiv · AI37

    LLM编码智能体前缀缓存下的上下文增删成本研究

    基于20,000次SWE-bench Verified等测试,研究揭示前缀缓存下上下文管理对LLM编码智能体成本的影响。 添加检索代码使读取和搜索命令减少18%–34%,但在缓存输入价格为非缓存十分之一时成本反而增加33%–42%;移除旧观察结果在无缓存折扣时节省19%–36%,有折扣时成本反增38%–116%。 表明上下文管理评估需同时考虑token价格与智能体后续行为。

11月17日周二
  1. arXiv · AI26

    Code-Anchored Review Feedback 提升大 R 文件正确率并降低托管编辑成本

    基于 FileMark 的代码锚定评论格式,在 36 个 R 语言任务、7 个模型实验中,使托管编辑成本降低 20.0% 至 46.3%,并提升 4/5 本地模型的正确运行占比。 实验证实收益源于格式而非措辞,主要来自被引用的代码片段;但锚点错位会显著降低正确率。 该格式在锚点准确的前提下,能有效降低大文件编辑成本并提升弱模型表现。

  2. arXiv · AI26

    AI 生成代码缺陷综述:类型、模式与缓解策略

    对现有研究的系统综述表明,AI 生成代码中缺陷普遍存在,功能性和稳定性缺陷最为常见,且大量缺陷归因于模型幻觉。 模型规模、指令遵循能力及训练数据的质量与多样性是影响缺陷发生的关键因素。提示工程广泛被用于缓解缺陷,但领域特定或语义复杂的问题仍需人工干预。