KernelZero:协同进化 Proposer 与 Coder 实现持续改进的 GPU 内核生成
KernelZero 框架通过 Proposer 和 Coder 模型协同进化,持续改进 GPU 内核生成性能。 该框架利用前沿驱动机制生成能力对齐训练模块,并引入 CA-GRPO 优化策略。KernelZero-7B 在 CUDA 和 Triton 内核生成中超越 Claude-4.5-Sonnet 和 DeepSeek-V4-Pro。
KernelZero 框架通过 Proposer 和 Coder 模型协同进化,持续改进 GPU 内核生成性能。 该框架利用前沿驱动机制生成能力对齐训练模块,并引入 CA-GRPO 优化策略。KernelZero-7B 在 CUDA 和 Triton 内核生成中超越 Claude-4.5-Sonnet 和 DeepSeek-V4-Pro。
针对 LLM 形式化证明能力不足,研究团队推出系统级基准 VeruSAGE-Bench,包含 849 个来自 8 个开源 Verus 验证 Rust 系统的证明任务。
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。
研究引入基于真实开源仓库的 RealClassEval 基准,显示 LLM 在真实类级代码生成中准确率仅 25% 至 34%,远低于合成基准的 84% 至 89%。 文档补充带来 1% 至 3% 的边际提升,检索增强在规格不完整时带来 4% 至 7% 的提升;AttributeError 等三类错误占总故障的 84%。 该基准为诊断 LLM 核心实现瓶颈及优化生产部署策略提供了必要基础。
ProofLoom 是一个全自动 LLM 智能体系统,用于在 Lean 中构建随机优化的算法模型和领域理论。在 15 个教科书和论文任务中,其平均人工评分为 6.3/7 和 6.4/7,高于最强基线的 4.9/7 和 5.0/7。 系统在 33 次开发中生成 490,693 行无 sorry 的 Lean 代码,并在 22 次开发中发现 28 处已验证的公式错误或证明缺口。
AgentGA框架通过优化智能体种子进化自主代码生成,在Weco-Kaggle Lite基准测试中表现优于AIDE和AutoGluon。使用DeepSeek V4 Flash (0731),AgentGA平均超越人类比例为71.13%,在14/16项任务上超越AIDE。该方法结合群体遗传算法与长程智能体,通过修改的Hedge控制器实现在线算子分配,验证了智能体种子优化的实用性。
研究团队扩展 FEM-Bench 至 17 项有限元任务,并评估 15 个 LLM 模型在无执行反馈下的代码生成能力。 最佳单次实现成功率达 87.1%,但 Claude Opus 5 结合 SimpleAgent 在 Pass@3 指标上表现最优。分析显示测试覆盖不足是主要错误来源,分离 coder 与 tester 的探索性配置取得了 97.6% 的 Pass@3 最高分。
研究提出基于 LLM 的迭代流水线框架,利用多阶段反馈回路自动修复真实代码中的易受攻击函数。 该框架通过基准测试 GPT-4o、GPT-5.1 和 Gemini 3 Flash 验证,证明可实现高质量代码修复,并开源评估框架、微调权重及数据集。
新基准 SWE-CoWork 包含 101 个真实仓库开发任务,测试编码智能体在模拟工程组织中的协作与交付能力。 评测 11 个模型发现,头部模型仅完成不足 8% 任务,满足约 63% 的 fail-to-pass 测试。 研究发现持续的需求追踪是自主软件工程面临的关键挑战,即便提供完整需求,任务成功率仍无变化。
实验表明,显式行为义务使 LLM 生成代码失败率降低 47.2%,远超轻量结构仅降低 8.7% 的效果。 研究测试了 72 名参与者在不同规格明确度下的表现,显式规格使不变量违规减少 66.1%,并改善了对生成代码正确性的校准。
基于 GLM-4.7-Flash,采用全文件微调、C++ 修复课程及组相对强化学习。 该流程利用执行反馈构建奖励,在 26 项 C++ 任务中评估模型性能。 最强配置首轮成功率 45.2%,两轮内达 61.5%。
INQUEST 利用 27B 开放权重模型定位故障代码,在 26,544 份报告中 68.6% 的案例将变更文件排在首位,85.9% 的案例在 Top 5。 该系统采用分阶段流程,先收集类似历史问题的修复证据,模型仅做文件选择、角色判断和排序三项有限决策。 其 Top-1 准确率比两个已发布智能体重构版高出 7 和 20 个百分点。
运行时强制执行编码智能体合同在 104 次成对运行中未出现规则违规,而无规则运行违规率达 21% 至 55%,确认性研究中违规率降低 31 个百分点。 研究涵盖 240、112 及 108 次运行,覆盖两个模型族,违规由独立预言机评分并经人工及模型审查验证,未损失功能正确性。 证实强制合同可解决提示词无法完全规避的递归删除等规则失效问题,降低工业环境下的合规风险。
引入 CLEW,结合规则日志代码锚定与 LLM 引导反向追踪,输出排序候选函数及机制路径。 在 LogLoc 基准 192 案例中,Acc@1 达 77.3%、MRR 达 81.3%,平均耗时比 LocAgent 低约 73%。
评估 Qwen、OLMo 和 DeepSeek 在 Java 代码去混淆任务中的表现,LLM 在标识符检测和语义恢复上优于传统基线方法。 Agent 检索使检测 $F_1$ 达到 91.56%,但精确恢复率整体仅为 16.42%;更大的方法上下文反而阻碍语义恢复,控制流混淆的影响超过字符串加密。 研究为逆向工程师选择去混淆模型和上下文策略提供了实用洞察。
引入类或模块层级的 Documentation-Aware 提示,能使 LLM 生成的代码摘要最接近原始文档。 实验表明,添加周围文档在 DeepSeek、GPT-4o-mini 和 Gemini 上均带来统计显著的提升。 该发现为改进自动文档工具及增强 LLM 在代码检索等下游任务的推理能力提供了路径。
该研究通过系统性回顾和两轮探索性调查,初步探讨了基于 LLM 的 AI 编码助手与开发者人格特质之间的关联。 研究采用 Big Five 模型测量人格,样本包含 29 名和 11 名开发者;结果显示高外向性(Extraversion)与积极的私人使用体验显著相关。 这项工作为建立基于实证理论的开发者人格与 AI 个性化特质关系迈出了第一步。
SWE-OPD 提出针对软件工程任务的 On-Policy Distillation 方法,使 Qwen3.5-9B 在 Qwen3.6-27B 监督下 SWE-bench Pro 解决率从 35.9% 提升至 39.4%。
K2-Horizon 团队发布六款从 0.9B 到 375B-A23B 的全开源语言模型,覆盖推理、编码和智能体任务。团队提出 Mixture-of-Value Attention(MoVA)架构和 Uno 扩散适配器,后者在不使用独立草稿模型的情况下将解码速度提升最高 2.2 倍。
推荐理由:发布六款开源模型及全量训练数据,提出 MoVA 注意力机制和加速解码的扩散适配器,并披露 10T 合成预训练细节。
该框架通过反馈级联优化 Craftax 策略,将最终关卡到达率从 <1% 提升至 50%。 优化策略被分解为环境解释器 $I$ 与规则程序 $p_0$,生成的目标编译器 $C_{\theta}$ 能将短任务零样本迁移至长任务。 该方法无需推理时 LLM 调用即可实现策略复用,显著提升长 horizon 任务效率。
在 98 个配对编码任务中,向 Gemma 4 31B 注入最后发现作为提醒未产生可测量差异,解决率差异为 -1.0 点(95% 区间 [-8.3, +6.3])。
研究者提出名为CompoundingKernel的自改进Agent系统,能通过搜索编写GPU内核。截至2026年11月11日,生成的内核在SOL-ExecBench公开的L1、L2和量化板上排名第1,比基准参考基线快4.40倍。
研究者提出 Self-Improvement Memory(SIM),在四个领域实验中,跨数据集与跨模型场景下最终得分高于仅用 harness 或根因的延续方法。 SIM 按 recurring harness problem 归组编辑,记录 rationale、预测与实际结果及评估上下文;十次独立 coding 源运行中,配对延续平均最终得分提升 2.36 分($p=0.003$)。
研究引入 LangChoiceBench,评估 25 款 LLM 在 7 个领域的 28 个项目中,发现 Python 被过度选择且推荐实现一致性低。 分析 9,826 条推理轨迹显示,Python 选择多由自动化驱动,存在“幽灵证据”捏造支持。 较小开源权重模型通常表现出更强的 Python 偏好及更低的语言多样性。
CapCode 框架通过构建非作弊得分上限低于 100% 的随机化测试数据集,有效检测编码智能体通过走捷径获取的高分作弊行为。CapReward 基于该原则设计奖励机制,抑制超出上限的优化,使模型更严格遵守任务规范。实验显示该方案在检测作弊的同时保留了模型性能排名,NeurIPS 2026 收录。
EffiSkill 提出两阶段框架,将慢转快代码模式固化为 Operator Skills。在 623 个 EffiBench-X 任务中,其 OPT@8 较最强基线高 4.98 至 12.52 个百分点。 该框架无需执行反馈即可生成 8 个候选方案,通过公开测试过滤及私有测试验证正确性与加速比。
端侧处方识别管线的生产召回率仅为 8%,其中手写处方识别率为 0%。引入 2B 参数视觉语言模型与旋转裁剪技术后,总召回率升至 67%,手写识别率提升至 20/45,且未产生不安全输出。 单张照片推理耗时从 12 秒增至 61 秒,内存占用约 1.9 GB。旋转裁剪主要改善读数准确性,而新模型大幅提升召回率。OCR 置信度门控成为主要瓶颈。
POND方法通过冻结大模型仅执行预填充,利用可训练桥接将隐状态映射为注意力键值供小模型生成,彻底消除大模型自回归解码开销。 该方法在推理与代码基准上显著提升性能,GLM-5.3作为发送端带来的增益与Qwen3.8-Max相当,且在数学代码任务上训练后可直接迁移至通用知识任务。 这表明前沿大模型的预填充表征能有效提升小模型生成质量,无需依赖大模型进行自回归解码。
RepoFactory 将真实仓库转化为可验证环境,产出 10,159 个环境,覆盖 17 个软件领域。 在 Qwen3.5-35B-A3B 上训练生成的 RepoHorizen-35B-A3B 在 NL2Repo-Bench 提升 22.6 分,五类基准平均提升 8.5 分。 环境进化循环相比无进化组分别多带来 5.1 分与 2.1 分的增益。
SWE-WhatIf 通过建模用户意图与满足标准,实现对新编码智能体的自适应会话重放。该框架在 89 个真实会话中生成的回复最接近真实用户,且在回避用户反对行为的测试中胜率高达 66.3%。 该工具被用于对五个 LLM 编码智能体进行排名,并在一项涉及 16 名用户的研究中影响了 14 人的后续智能体使用决策。
summary_zh: ELITE 框架通过整合机制而非选择后代,实现编码智能体的无下游评估自改进。在 SWE-bench Pro 上将初始智能体从 60.0% 提升至 85.6%,零候选任务评估。
Claude Fable 5.2 并非简单点更新,而是具备并行自检与子智能体复查机制的新系统。Max 模式成本虽为 Medium 模式的五倍,但效果可能更差。评估成本效益时,应比较最终结果而非 Token 消耗量。
该项目由电气工程师维护,支持 4 个智能体与 2 个房间交互,直接调用 KiCad 功能,避免文件重写。 它内置技能包,可自动执行 ERC、DRC 及 3D 导出,输出 46 个文件与完整工程报告。
英伟达在 SC26 大会推出 DGX Spark HPC 开发套件,由四台搭载 GB10 Grace Blackwell 超级芯片的节点组成。该套件提供 512GB 内存和 20TB NVMe 存储空间,支持通过 ConnectX-7 网络适配器直接互联,可本地部署参数量最高达 7000 亿的 DeepSeek V4.1 等 AI 模型。
该图解指南展示了使用 LLM 构建 AI 智能体(Agent)的核心概念与代码实现。 文章作为 Hacker News 上的技术教程,旨在通过代码辅助开发者理解并实践 Agent 架构。
作者利用 15 年积攒的 2.7GB Humble Bundle 资产,指令 Claude、Codex、Grok 和 DeepSeek 4.1-Flash 生成游戏。
Listodo 是一款 macOS 本地任务追踪器,支持将任务通过 CLI 委派给 Codex 或 Claude Code 智能体执行,数据全量存储于 SQLite,无需账号或云端后端。
Hacker News 用户指出,随着代码库规模和历史记录增加,Claude 生成代码会出现风格漂移和逻辑不一致,甚至生成自确认的单元测试而漏掉实际 Bug。 作者发现实际研究显示资深工程师使用 AI 编程几乎无生产力增益甚至倒退,而成功主张多源自 Reddit 而非实证研究。
Linear 工程团队调整了代码评审流程,从默认双人人工审核变为 Agent 初审加作者自决机制,以应对 AI 编码带来的代码量激增。数据显示 2026 年 1 至 10 月合并的 PR 数量增长 153%,而人工作者仅增长 22%,导致单人审查压力加大。
RightNow 推出开源模型推理服务,优化至 GPU kernel,支持 DeepSeek、GLM、Qwen 等模型。