跳到正文
10月8日周四
  1. arXiv · AI33

    AI 辅助在 FABRIC 测试床实现计算可重复性

    研究证实 FABRIC 测试床结合 LoomAI 大语言模型编程智能体,可简化跨领域已发表实验的复现流程。 团队复现了 BBR 拥塞控制、LAMMPS 分子动力学基准及蛋白基因组学三项案例研究,评估重点在于复现实验是否支持与原研究相同的科学结论。 AI 辅助工作流将复现工作量减少约 4 至 6 倍,但在缺乏明确定义流程的分析阶段仍需人类指导。

  2. arXiv · AI41

    JOLT:联合在线策略学习与教学,使自教师适配学生能力

    JOLT 提出联合在线策略学习与教学框架,通过训练兼具特权教师与非特权学生角色的单一策略,解决稀疏奖励下的监督难题。 方法基于推导出的教师更新有效性充要条件,使用结合结果奖励与 token 级 KL 正则化的目标训练教师,确保指导适配学生当前能力。 在数学推理、编码、工具使用及终端操作任务中,JOLT 提升了训练效率与模型性能。

  3. arXiv · AI22

    TaoD2C-Bench: 评测多模态大模型在工业 UI 代码生成中超越视觉保真度的能力

    TaoD2C-Bench 发布,通过 2,861 个生产设计评估 MLLM 在工业 UI 代码生成中满足实现要求的能力。该基准包含 97,652 条专家标注,定义了端到端生成、需求推理与实现三项任务。 评测显示现有模型在生成满足要求的代码上存在显著差距,且视觉重建能力不等同于代码实现能力。TaoD2C 数据集已开源以支持后续研究。

  4. arXiv · AI35

    为何 AI 编码智能体时代软件工程不可或缺

    AI 编码智能体的兴起并未淘汰软件工程学科与工程师,反而凸显其作为可信软件开发基石的必要性。大语言模型的概率生成、语义无状态等结构性缺陷,需通过方法、领域、设计及流程四大知识杠杆弥补。软件工程师需将这些知识转化为持久化制品,以保障 AI 辅助开发产出可验证且可信的软件。

  5. arXiv · AI36

    FigCodeBench 评估 MLLM 图表复现能力:覆盖 6194 实例与 24 模型

    论文提出 FigCodeBench 框架,通过 6194 个实例评估 MLLM 将视觉结构转化为可执行代码的能力。 框架包含 7 大功能类别与 4 种编程语言,对 24 个 MLLM 进行多维度评估,发现性能存在非线性悬崖。 实验揭示刚性声明式语言导致指标显著下降,验证了当前模型在复杂结构推理上的局限。

  6. arXiv · AI45

    编码智能体面临的包幻觉攻击:通过规则文件中的提示注入诱导依赖替换

    研究人员提出“包幻觉攻击”,攻击者向共享规则文件注入恶意提示词,诱导编码智能体将合法依赖替换为受控包。 新框架 PackHallu 利用演化优化、轨迹级反馈及 LLM 引导变异迭代重写提示词。在多个基准、LLM 及智能体框架上,该攻击均表现出高成功率和强跨模型迁移性。

  7. arXiv · AI38

    Bolzano:从专家指导的定理证明搜索到自动化开放问题求解

    开源多智能体系统 Bolzano 在缺乏特定人工指导的情况下,求解了约 200 个开放数学问题。 该系统并行使用证明智能体与验证智能体,维持人类可读的研究状态。此前在专家筛选问题上,8 个结果的证明已获领域专家校验。 其中包含在 STOC 2026 顶会论文中回答 4 个由作者确认的问题。

  8. arXiv · AI70

    Humanize:面向智能体编码的判决工程框架

    Humanize 提出一种用于智能体编码的多智能体编排工作流,通过判决工程在规划、实现、审查与学习边界设置明确且机械强制执行决策,由不同供应商的构建与审查智能体协作以捕获缺陷。

    推荐理由:原文揭示了该多智能体编码流程依赖机械门控而非模型决策来隔离构建与审查角色,读者可据此理解其提高代码可靠性的设计逻辑。

  9. arXiv · AI41

    PBT-Bench:评估 AI 智能体基于属性测试的基准

    PBT-Bench 发布,包含 100 个基于属性的测试问题和 365 个语义缺陷,用于评估 LLM 智能体。 该基准覆盖 40 个真实 Python 库,缺陷分为 L1-L3 三级难度。 PBT 引导式提示下模型缺陷召回率介于 42.1% 至 83.4% 之间,且该研究已被 NeurIPS 2026 接收。

  10. arXiv · AI29

    Cleave:通过解耦代数搜索与算子调度扩展张量程序优化

    提出 Cleave 机器学习编译器,通过符号解耦将代数变换与算子调度分离,生成比最佳基线快 2.8 倍(平均 1.6 倍)的内核。 利用符号形状实现廉价等价检查,并通过新的 Split 算子并行化归约维度;平均编译时间比 Mirage 减少 5.9 倍。 动态工作负载测试中,相比 FlashInfer 手写 FA2 和 FA3 后端,分别实现 1.4 倍和 1.7 倍几何平均加速。

  11. arXiv · AI44

    Google 部署低延迟 AI 智能体 FlowAgent 用于提交前自动修复测试失败

    Google 在内部开发工具 Critique 和 Cider 中部署 AI 智能体 FlowAgent,利用 ReAct 循环实现提交前实时自动修复测试失败。 手动评估显示修复建议准确率为 67.18%;全面部署后共处理 295,508 次变更,开发者最终应用了 28,554 次修复建议。 该智能体提升了自动化软件工程的工业级工作流效率,开发者反馈良好但挑战仍存。

  12. arXiv · AI20

    MemMux: 面向并行编码智能体集群的运行时资源验证与归属机制

    MemMux 是一款本地运行时,通过将资源治理转化为可检查信号,解决了并行编码智能体集群的内存归属与回收难题。 在 Linux 环境下,MemMux 将 10 个智能体控制在 7.5 GiB 内存预算内实现零 swap,并 100% 回收终止智能体进程及检测逃逸子进程。 其 1 Hz 归属扫描在 10 个智能体场景下 CPU 开销为 2.7%,已开源发布引擎、基准测试及复现工具。

  13. arXiv · AI30

    SPECTRUM:循环自蒸馏中的近端谱调制

    SPECTRUM 针对代码生成的循环自蒸馏提出近端谱调制,通过从固定参考锚点重估损失敏感的键值几何来解决正确性提升但解空间广度收缩的问题。 在 MBPP 上经过 5 轮实验,SPECTRUM 保留了初始模型 89.9% 的正确 AST 丰富度,高于 vanilla 自蒸馏的 66.4% 和子空间投影基线的 65.5%。

  14. Hacker News AI50

    AI 加速数学与软件开发引发的理解力滞后问题及影响

    随着 AI 生成数学证明和代码的速度远超人类理解能力,研究者面临“理解滞后”困境,被迫加速发表以确立优先权。OpenAI 近期工作促使学者仓促发布质量较低的 Lean 证明,加剧了社区认知负担。在软件领域,大量 AI 代码使架构设计被忽视,且依赖 AI 入职缺乏人类导师传授关键经验,导致维护难度增加。