Grai:一款在浏览器本地运行、基于确定性节奏规则的 AI 草稿审计工具
Grai 是一款在浏览器本地运行的确定性“节奏门”工具,通过 8 条结构规则和 CV≥0.32 的节奏下限对 AI 生成的文本进行审计与修复,无需上传数据或调用云端模型。
Grai 是一款在浏览器本地运行的确定性“节奏门”工具,通过 8 条结构规则和 CV≥0.32 的节奏下限对 AI 生成的文本进行审计与修复,无需上传数据或调用云端模型。
openJiuwen发布TTSE(Two-Track Self-Evolution)双轨在线自演进框架,旨在让LLM Agent不仅积累执行技巧,还同步更新对环境的认知。
Meta 前员工指出 AI 生成 90% 代码并未带来 10 倍效率,反而因测试浅显、逻辑复杂及人类理解缺失导致代码库脆弱。 该前员工列举了 AI 编码导致故障频发、恢复时间延长及错误仅对用户可见等四大征兆。他称 AI 无法理解超出上下文窗口的长期技术债务,目前他已全面转向 AI 生成 100% 代码。
ChatGPT Desktop 将用户的本地 SSH agent 转发至远程机器,使远程运行的 agent 能够使用用户凭证进行认证。例如,该功能可用于向私有 GitHub 仓库推送代码。
AI Access Auditor 是一款支持 macOS、Windows 和 Linux 的应用,用于查找、审计并撤销已授予 AI 编码智能体的访问权限与特权。它本地运行,支持监控 Claude Code、Codex、Gemini CLI 等智能体,检测 MCP 服务器、API 密钥及后台任务,并能在智能体行动前弹出确认窗口。
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。
提出Archer,一种感知熵的RLVR框架,通过双重Token约束在保持联合优化的同时调节不同类型Token的更新强度。 该方法引入响应级熵归一化以稳定Token分类,并对推理Token和知识Token应用差异化的Clipping范围和KL正则化,以鼓励探索并保留知识。
HARDTESTGEN 提出合成高质量算法编程测试用例的方法,构建了含 26.6k 题目的 HARDTESTS 数据集。 相比现有测试,HARDTESTGEN 在验证 LLM 生成代码时精确度提升 11.22 个百分点。 使用 HARDTESTS 验证器进行拒绝采样和强化学习下游训练,能提升 LLM 代码生成性能,相关数据和管道已开源。
Deletion Tuning 通过零化 LLM 中不到 0.05% 的权重,在强化学习、监督微调及在线策略蒸馏三种后训练范式下达到了全量微调(FFT)的效果。 该方法通过训练 Transformer 块中门控投影的二进制掩码实现,掩码比 FFT 检查点小数百至数千倍,且遗忘程度显著更低。 相比 LoRA 和随机稀疏微调,在强化学习下其先前任务准确率保持在基础水平附近,而后者最多损失 5.4 分。
RDS-MOPD 引入分布鲁棒优化改进多教师同策略蒸馏,解决现有方法无法保证落后领域训练质量的问题。 该方法重新设计 DRO 的噪声处理、异常值限制及最坏情况定义,确保仅当差异显著超出噪声时调整资源分配。 实验显示 RDS-MOPD 在数学推理、代码生成及指令遵循基准测试中性能优于近期竞争方法。
作者分享了构建高效 AI 编码智能体(Super LLM Soldiers)的实践方法,重点包括通过定制 Lint 规则和强化无障碍树(A11Y)来优化代码库环境,以及部署本地仿真工具和数据库 MCP 服务以提供上下文支持。摘要强调了利用 Datadog 或 Langfuse 等观测工具以及优化 CI 管道,可帮助智能体在更短时间内更自主地完成复杂任务,显著减少人工干预需求。
ControlPlane 研究人员利用 Claude Opus 和 Sonnet 模型扫描英国政府公开代码,在 349 个代码库中发现约 100 多个严重漏洞。 扫描发现近三分之二代码库存在安全隐患,最严重案例涉及规划监察局在 GitHub 意外泄露高权限凭据,可能导致系统失守。 AI 降低了漏洞发现门槛,促使英国政府重新评估代码公开政策,核心问题在于政府能否及时修复漏洞并完善权限管理。
韩国凭借存储芯片主导AI基建,KOSPI和HBM市场份额大幅上升,但2026年上半年利润增长高度依赖三星和SK海力士。韩国政府通过《AI基本法》和“AI for All”计划推动AI普及,而散户杠杆交易和青年就业流失暴露了风险,20至30岁散户占爆仓账户的62%。
三星电子计划明年初完成 3D Cube-H 开发,该混合键合技术端子间距约 6 μm,远小于 TC 键合的 25 μm。 3D Cube-H 旨在提高连接密度、降低每比特能耗并优化散热,主要应用于超高性能 AI 芯片。 若成功开发,三星电子晶圆代工业务有望获得大客户订单。
Anthropic 测试显示,Claude Fable 5.2 对代码所有权的提示措辞敏感,所有权声明显著影响代码重构行为。 当提示词声明代码库属于模型时,模型合并重复代码的概率约为 50%;若无此声明,概率降至不足 10%。