💻 代码智能¶
💬 EMNLP2026 · 8 篇论文解读
📌 同领域跨会议浏览: 🧠 NeurIPS2026 (43) · 🎞️ ECCV2026 (2) · 🔬 ICLR2026 (58) · 💬 ACL2026 (49) · 🧪 ICML2026 (22) · 🤖 AAAI2026 (10)
🔥 高频主题: LLM ×4 · 代码智能 ×2
- ChainSWE: Benchmarking Coding Agents on Multi-Bug Software Maintenance
-
构建了首个针对多缺陷连续修复的软件工程智能体基准 ChainSWE,揭示出累积的代码仓库状态漂移会导致智能体单缺陷解决率沿修复链急剧下降高达 70%,且传统对话记忆保留与主动重写往往难以弥补代码基线的隐性破坏。
- DSEffi-Bench: Demystifying Large Language Models’ Capabilities in Data Science Programming
-
构建了首个针对数据科学代码生成执行效率的评测基准 DSEffi-Bench(包含 1,000 个源自真实 Stack Overflow 痛点的人类验证实例与压力测试套件),揭示出正确性与效率的显著解耦现象,提出了细粒度五分类效率根因分类学,并通过分类学引导优化与库感知路由实现了高达 +14.7% 的效率增益与 13.0× 的成本缩减。
- Fast and Focused: Interactive Repository-Level Fill-in-the-Middle Code Completion with Hybrid Structural Retrieval
-
针对交互式仓库级代码补全中检索粗糙与生成越界破坏后缀结构的问题,ACAR 提出了基于行级倒数排名融合(RRF)的词法与 AST/LSP 结构混合检索,并结合语法感知祖先对齐后处理,在 87–95 ms 低延迟开销下大幅超越现有方法。
- Functional Entropy: Predicting Functional Correctness in LLM-Generated Code with Uncertainty Quantification
-
针对自然语言推理(NLI)无法区分代码功能差异而导致语义熵聚类坍塌的缺陷,提出基于代码功能等价性判别的一系列不确定性量化方法(Functional Equivalence Methods),在多语言基准上无需执行测试即可高精度预测大模型生成代码的功能正确性。
- PolySQL: Scaling Text-to-SQL Evaluation Across SQL Dialects via Automated Backend Isomorphism
-
PolySQL 提出了一种基于后端同构与归一化比较的双重执行(Dual-Execution)评测方法,消除了跨 SQL 方言评测对脆弱查询转译的依赖,以 100% 执行覆盖率和最高保真度揭示了模型跨方言评测中 25.2% 的相对性能下滑及逻辑退化瓶颈。
- SABER: Benchmarking Operational Safety of LLM Coding Agents in Stateful Project Workspaces
-
SABER 构建了一个包含 716 个 Docker 沙箱化真实工程任务的状态化操作安全评测基准,从多步执行轨迹与环境状态持久化变更出发,揭示出即使前沿模型在实际项目操作中的有害安全违规率仍高达 54.7% 以上。
- Verification Trap: Understanding Test-Time Selection Failures under False Premises in Code Generation
-
论文揭示了代码生成中测试时验证选择的关键漏洞:当生成器与验证器共享错误前提时两者发生认知耦合,验证器生成的测试用例无法暴露依赖错误假设的捷径候选,导致在 64 个候选中即使存在正确程序也会被误选淘汰;通过无金标风险预测与解耦证据通道可有效收复潜在正确率。
- XRepoTest: Benchmarking Multilingual Repository-Level Unit Test Generation for Large Language Models
-
XRepoTest 构建了首个跨 Rust、Go、Julia、PHP 和 Ruby 5 种语言的仓库级单元测试生成基准(3,642 个核心方法),提出检测虚假覆盖的 Invocation Rate (IR) 指标,揭示了大模型在真实项目依赖与构建约束下测试通过率仅在 27% 以下的严峻瓶颈。