跳到正文
11月10日周二
  1. Hacker News AI36

    Meta 前员工:AI 生成代码导致代码库脆弱且故障频发

    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。

  2. arXiv · AI24

    DDBench:面向分布式系统智能体调试的基准测试

    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。

  3. arXiv · AI34

    LibEvoBench:探析代码生成模型中的时间知识分层

    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。

  4. arXiv · AI34

    Viverra: 带形式化验证注解的文本转代码系统

    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。

  5. arXiv · AI32

    PEARL:基于求解器在环的自然语言交互式优化建模系统

    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。

  6. arXiv · AI27

    NINJA:一种用于高效上下文问题定位的导航-检查联合架构

    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。

  7. arXiv · AI21

    GOPR-CAD:基于图操作渐进式推理的 CAD 生成

    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%。

  8. arXiv · NLP28

    代码RL中权重外推下的正确性与效率行为控制

    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。

  9. arXiv · NLP29

    CRANE:通过零空间编辑向代码智能体注入受约束推理

    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。

  10. arXiv · NLP39

    扩散 LLM 强化学习:基于熵引导步长选择与逐步优势的方法

    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。

  11. arXiv · NLP33

    PACE-dLLM:基于置信度悬崖估计的扩散语言模型弹性块解码

    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。

  12. arXiv · NLP29

    Archer:一种用于RLVR的双重Token约束框架

    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。

  13. arXiv · NLP41

    HARDTESTGEN: 用于 LLM 算法编程的高质量 RL 验证器生成管道

    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。

  14. arXiv · NLP26

    零化不到 0.05% 权重即可匹配全量微调:LLM 后训练中的 Deletion Tuning

    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。

  15. arXiv · NLP21

    RDS-MOPD:基于鲁棒优化的多教师同策略蒸馏混合调度方法

    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。

  16. Hacker News LLM61

    AI 编码智能体效能优化:从代码清理到本地仿真环境的实用技巧

    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。

  17. IT之家45

    安全研究员利用 Claude 模型在英国政府代码中发现上百个高危漏洞

    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。