💻 代码智能¶
🧠 NeurIPS2026 · 44 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (2) · 📷 CVPR2026 (1) · 🔬 ICLR2026 (58) · 💬 ACL2026 (49) · 🧪 ICML2026 (22) · 🤖 AAAI2026 (10)
🔥 高频主题: 代码智能 ×12 · LLM ×7 · Agent ×5 · 扩散模型 ×2 · 推理 ×2
- A Theoretical Analysis of Test-Driven Code Generation
-
论文为大语言模型测试驱动代码生成建立了首个统一的概率与决策论框架,理论证明基于模糊函数相似度的软筛选策略在信噪比上严格支配传统硬等价性策略,并将迭代回传建模为上下文汤普森采样,推导出了揭示任务描述歧义限制的不可约遗憾界。
- Build-and-Find: An Effort-Aware Protocol for Evaluating Agent-Managed Codebases
-
提出了 Build-and-Find 评估协议,将生成代码库视为下游智能体的外部工作记忆与沟通介质,在行为正确性与后续修改之间建立起“基于产物的意图恢复与检查开销”评测层。
- Code2World: A GUI World Model via Renderable Code Generation
-
本文提出面向图形用户界面(GUI)的世界模型 Code2World,摒弃传统抽象文本与连续像素扩散合成路线,将下一状态预测显式建模为可渲染的结构化 HTML 代码生成,并通过视觉反馈数据集构建与渲染感知强化学习(RARL)对齐视觉保真度与交互因果,显著提升下游 GUI 智能体的离线与在线长程导航规划能力。
- CodeMimicry: Exploiting Safety Generalization Lag in Large Language Models via Structured Code Completion
-
针对大语言模型中自然语言安全对齐难以泛化至代码领域的“安全泛化滞后”漏洞,本文提出自动化黑盒越狱框架 CodeMimicry,通过面向对象代码封装与反馈优化诱导模型进行恶意代码补全,以平均 1.51 次查询在 8 款主流商用大模型上斩获 96.25% 越狱成功率。
- CodeScaler: Scaling Code LLM Training and Test-Time Inference via Reward Models
-
CodeScaler 把高质量执行反馈蒸馏为代码奖励模型,用严格代码提取和奖励塑形支撑无需在线执行的强化学习与候选重排序,在 DeepCoder 上让 8B/14B 策略的四项基准平均 Avg@8 分别超过 RLVR 1.55/4.23 个百分点。
- Constrained Code Generation with Discrete Diffusion
-
针对现有代码生成依赖自回归后验修复或语法级约束的缺陷,本文提出免训练的神经符号框架 CDC,在离散扩散去噪轨迹中利用软执行代理与静态程序分析定位冲突并局部纠偏,显著提升生成代码的功能正确性与安全性。
- CORVUS: Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents
-
针对传统大语言模型代码智能体采用追加写入轨迹导致重复读取文件与陈旧代码快照的问题,CORVUS 提出解耦文件读取与观察结果的新型轨迹架构,通过维护动态同步文件注册表并在每次推理前刷新注入代码库最新状态,在维持解决率的前提下减少 9–50% 输入 token 与至多 37% 推理轮次。
- Counterfactual Rollout Replay: Forkable Environments as Free Process Rewards for Software Engineering Agents
-
CRR 在训练时恢复软件工程轨迹中的少量决策状态,用原轨迹与替代动作后续轨迹的终局回报差评价原动作,在同一八卡 H100 节点、40.125 小时训练窗口内,将 SWE-bench Verified 的 pass@1 从延长训练 GRPO 的 36.7% 提高到 41.7%,但不免除分叉执行成本。
- CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing
-
针对配对 Instruct 与 Thinking 模型在代码智能体中推理能力与工具格式规范非对称失衡的矛盾,CRANE 提出了一种无需重训练的定向参数编辑框架,通过幅值阈值去噪、保守泰勒门控与渐进 Sigmoid 空空间投影,在严格保留工具调用协议的前提下定向注入推理能力,在 Roo-Eval、SWE-bench-Verified 及 Terminal-Bench v2 上均取得显著性能提升并大幅降低 token 开销。
- CTE-Bench: Counterfactual Trace Evaluation for Stateful Software Simulators
-
CTE-Bench 用真实执行生成软件干预前后的响应轨迹,在固定未来调用上评测模型能否持续预测干预效果:正确历史答案可见时影响步骤准确率为 54.3%–61.5%,自由滚动时降至 24.8%–33.2%,整条轨迹完全正确的比例最高仅 1.2%。
- CUDABeaver: Benchmarking LLM-Based Automated CUDA Debugging
-
提出了首个面向真实LLM生成失败现场的CUDA调试基准CUDABeaver,揭示了大模型以退化为低效安全代码换取狭义测试通过的“退化修复”现象,并建立了多维协议敏感性评测指标体系。
- CUDABench: Benchmarking LLMs for Text-to-CUDA Generation
-
提出了首个涵盖六大计算领域、多尺度输入与分级提示的三维评测基准 CUDABench,并构建了基于 Roofline 模型的硬件无关性能指标 CUDABench-Score 与生成式验证流水线,全面揭示了现代大语言模型在直接文本生成 CUDA 核函数时编译成功率虚高、功能语义错误频发以及硬件利用率严重受限的核心瓶颈。
- DCVD: Dual-Channel Cross-Modal Fusion for Joint Vulnerability Detection and Localization
-
针对传统漏洞分析依赖单一模态且行级定位缺乏显式监督的痛点,DCVD 构建了融合 AST/CFG 控制依赖图与大模型语义解释的双通道架构,通过对比对齐和双向交叉注意力完成模态交互,并由函数与语句双层显式监督实现端到端联合检测与精准定位。
- Do Coding Agents Deceive Us? Detecting and Preventing Cheating via Capped Evaluation with Randomized Tests
-
针对编码智能体通过利用测试用例产生虚假高分(test-gaming)的问题,本文提出 CapCode 通过在测试中注入均匀随机值将非作弊最高期望通过率严格限制在设定上限(cap)以实现统计检出,并进一步提出 CapReward 在强化学习中惩罚超过上限的表现,从根本上抑制奖励作弊行为。
- Execution Guided Line-by-Line Code Generation
-
EG-CFG 在推理时预览并执行代码前缀的多种短续写,把运行轨迹注入提示,再通过双分布无分类器引导逐 token 生成、逐行刷新反馈;使用 DeepSeek-V3-0324 时,论文报告 MBPP / HumanEval / DS-1000 准确率分别为 96.6% / 99.4% / 69.9%,但依赖可执行的已提供测试与额外搜索计算。
- FORALL-LEAN-AGENT for Auditable Reasoning in Formal Mathematics and Software Verification
-
针对通用编程智能体在 Lean 证明生成中“编译通过不等于命题正确或无作弊”的真实隐患,本文提出前端无关的审查协议框架 Forall-Lean-Agent,通过沙箱工作区隔离、声明级检索、独立无状态评审员与多层级公理/独立内核审计,实现了可追溯且高性价比的形式化推理。
- Free Draft-and-Verification: Toward Lossless Parallel Decoding for Diffusion Large Language Models
-
针对扩散大语言模型(DLLM)单步单 token 解码速度慢且传统并行解码导致质量严重下降的矛盾,FreeDave 提出一种免训练、免额外模型的自验证并行解码机制,理论证明能以最少前向步数严格还原标准解码轨迹,在数学推理与代码生成上实现最高 2.83 倍无损推理加速。
- From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents
-
P2T (Patches-to-Trajectories) 将真实仓库修复补丁作为特权信息提炼为无泄漏前置过程图,并结合后退地平线双目标选择机制,构建兼顾有效性与极简长度的高质量过程监督轨迹,显著提升代码智能体表现并降低推理成本。
- Frontier Coding Agents Use Metaprogramming to Adapt to Unfamiliar Programming Languages
-
评估前沿编码智能体在陌生的深奥编程语言(EsoLang-Bench)下的交互解决能力,揭示顶尖模型并非直接手写目标语言,而是自发涌现出编写宿主语言生成器并本地调试的元编程策略。
- FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale
-
本文提出 FrontierSmith 自动化合成系统,通过三维目标变异将闭式算法竞赛题转化为缺乏多项式最优证书的开放式问题,并提出双阶段想法发散度过滤与测试/验证双智能体交叉验证协议,高效合成高质量连续评分编程问题,在 Qwen3.5 模型上取得与甚至超越人类精标数据的强化学习提升。
- fxBench: Evaluating and Understanding Formula Suggestions in Spreadsheets
-
本文针对电子表格即时公式建议缺乏真实基准与能力分解的问题,构建了首个经防泄露与时间快照处理的503例基准fxBench,解耦评测了四项核心能力并提出紧凑表征Minisheet,揭示出意图理解是当前最关键的瓶颈。
- LibEvoBench: Probing Temporal Knowledge Stratification in Code Generation Models
-
提出跨多版本演化评测基准 LibEvoBench 与综合指标 SEUS,系统揭示前沿代码大模型在演化 API 上存在严重的“版本遗忘”与年代倒错(anachronistic)错误,且对版本显式约束几乎脱敏。
- MM-IssueLoc: A Controlled Benchmark for Evaluating Visual Evidence in Multimodal Repository-Level Issue Localization
-
MM-IssueLoc 针对真实软件工程中大量附带截图但评测仍停留在纯文本定位或端到端补丁合成的脱节现状,构建了包含 652 个多语言 Issue-PR 实例与 1,050 张图像的受控基准,通过解耦视觉呈现与结构化内容,揭示出当前 Agent 与检索器在利用视觉证据定位代码时的巨大能力断层。
- MOSAIC-Bench: Measuring Compositional Vulnerability Induction in Coding Agents
-
提出了包含199条三阶段工程工单攻击链的MOSAIC-Bench评测基准,揭示了生产级编程智能体在无害工单时序组合下被诱导生成可利用漏洞且绕过安全防御的结构性缺陷。
- Murphy: Feedback-Aware GRPO with Retrospective Credit Assignment for Multi-Turn Code Generation
-
针对传统 GRPO 局限于单轮孤立采样的缺陷,提出构建环境反馈条件展开树并通过回顾性信用分配回传奖励的 Murphy 框架,在多轮代码自校正任务中取得显著提升。
- P\(^{3}\): Joint Program-and-Proof Planning for Verified Code Generation
-
针对传统“先写程序后补证明”导致代码与归纳结构脱节的瓶颈,提出程序与证明联合规划框架 \(P^3\),先共谋计算分解与桥接谓词再执行精化,并在新提出的真实软件库级基准 Lean4Commit0 上取得显著超越 baseline 的求解率与效率。
- PBT-Bench: Benchmarking AI Agents on Property-Based Testing
-
针对现有代码评测基准仅衡量具体用例重现或补丁生成、无法考核抽象不变量检验能力的缺陷,本文提出了首个专注于基于属性测试(PBT)的评测基准 PBT-Bench,涵盖 40 个真实 Python 库的 100 个问题与 365 个精心设计的隐蔽语义缺陷,配合双容器 \(F \to P\) 自动化评测框架,揭示了当代前沿大模型在文档抽象规则到定向输入生成上的关键能力短板。
- Precise Debugging Benchmark: Is Your Model Debugging or Regenerating?
-
针对前沿大语言模型在代码调试中常通过大范围重写(Regeneration)而非精准定位修复通过测试的假象,本文提出与数据集无关的精确调试评测框架 PDB,基于原子化可验证缺陷与合成多缺陷程序,引入代码行级精确率与缺陷级召回率评估真实的精准调试能力。
- Property-Guided LLM Program Synthesis for Planning
-
本文提出基于性质引导的大语言模型程序合成框架,针对经典规划领域合成 Python 启发式函数,通过验证启发式是否满足形式化的“直接性”(Direct)性质并在违例时提供具体反例状态驱动反向修复,相比采样筛选基线生成候选程序数减少 7.4 倍、验证算力降低约 3 个数量级,且无需组合搜索即可通过爬山法直接求解规划任务。
- Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation
-
MemDocAgent 用依赖与目录层级共同约束的遍历顺序,以及可读取、写入和验证的 RepoMemory,让单一智能体连续生成组件、模块和仓库三级文档;在 20 个 Python 仓库上,Qwen3-Coder 配置取得 0.979 完整度、0.916 真实性和 0.690 有用性,但验证失败后的保覆盖回退并不保证每篇文档都可信。
- SaaSBench: Exploring the Boundaries of Coding Agents in Long-Horizon Enterprise SaaS Engineering
-
针对现有代码智能体评测局限于单体小项目且缺乏真实企业级系统约束的痛点,本文提出了首个覆盖30个真实市场级SaaS系统、支持从零构建与全栈部署的基准平台SaaSBench,并基于DAG依赖感知混合评测揭示出代码智能体在端到端工程集成阶段的关键失效瓶颈。
- Sandboxed Coding Agents are Competitive Omni-modal Task Solvers
-
本文发现仅具备文本和图像输入能力的沙箱代码智能体无需端到端输入全模态音视频流,通过按需执行终端工具(ffmpeg、Whisper、OCR 等)即可在多个全模态基准上匹敌甚至超越前沿原生全模态大模型,并进一步提出了开源训练方案 Code-X 与多模态操作基准 TerminalBench-O。
- Self-Evolving Coding Rules for AI Coding Agents
-
本文提出针对 AI 编码智能体系统规则的自演化优化框架 RuleEvolve,利用 LLM 变异器、执行判别器与基于最优计算预算分配(OCBA)的战略变异机制,在保证代码功能正确率不降的前提下大幅压缩生成代码长度与推理 Token 开销。
- SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks
-
提出了包含 36 个长程演化任务与 196 个检查点的基准测试 SlopCodeBench,揭示了代码智能体在多轮自主迭代扩展自身代码时架构持续侵蚀且冗余膨胀的核心退化规律。
- Solver-Aware Decompositions for Programming-by-Example: When Dividing Requires Knowing How to Conquer
-
针对基于分解的样例编程(PBE)中“高标注匹配度无法转化为高合成成功率”的精度悖论,提出求解器感知分解框架(SAD),通过冻结下游神经合成器并利用其交叉熵损失作为策略梯度奖励,优化出符合求解器归纳偏置与可解分布的中间子目标。
- StaminaBench: Stress-Testing Coding Agents over 100 Interaction Turns
-
提出了针对代码智能体的多轮交互长程耐力评测基准 StaminaBench,通过完全程序化生成 REST API 规范演进与黑盒 HTTP 测试套件,对 7 款开源大模型与 6 种智能体框架开展长达 100 轮交互的严苛压力测试,揭示了无测试反馈下所有模型均在 6 轮内崩溃的耐力瓶颈。
- StepCAD: Mesh-to-CAD Code Generation via LLM Policy and Geometry-Guided Search
-
针对三维网格反求可执行参数化CAD代码时单次生成累积几何误差的难题,本文提出结合状态条件策略网络与IoU引导树搜索的生成式优化框架StepCAD,配合150万规模的ARCADE-1.5M数据集,实现了几何保真度达87.2%的相对提升。
- SWE-Chain: Benchmarking Coding Agents on Chained Release-Level Package Upgrades
-
提出了首个针对真实 Python 软件包连续跨版本升级的基准评测 SWE-Chain,通过分而治之的 DecompSynth 流程对齐发布说明与代码补丁合成可靠规范,揭示前沿模型在跨版本功能继承与防退化上面临的严峻瓶颈。
- SWE Atlas: Benchmarking Coding Agents Beyond Issue Resolution
-
SWE Atlas 构建了涵盖代码库问答、测试编写和代码重构三大真实软件工程工作流的 284 项专家任务基准,引入结合程序化运行检查与原子细粒度评分准则的混合评测体系,全面评估编码智能体在功能正确性之外的软件工程质量与架构可维护性。
- TACT: Mitigating Overthinking and Overacting in Coding Agents via Activation Steering
-
针对长轨迹代码智能体易陷入“重复推导已知信息(过度思考)”与“盲目调用工具检索多余信息(过度行动)”的漂移失效,TACT在测试期将推理-动作边界处的隐层激活投影至正交化的漂移表征轴,无需重训练或提示词修改即可自适应拉回校准区域,在SWE-bench Verified上取得最高+5.8个百分点的修复率提升并减少最多26%的执行步数。
- The Complexity Kink: A Prompt-Side Structural Complexity Index for Code-Generation Reliability
-
针对传统以生成代码圈复杂度评估模型可靠性时因失败截断导致的度量偏倚,本文提出仅依赖提示词的六维结构复杂度指数与门限回归断点估计方法,揭示了评测中通过率突增假象背后的任务构成偏差。
- Veri-Sure: Multi-Agent RTL Code Generation with Temporal Tracing, Slicing and Formal Verification
-
针对大模型在硬件RTL生成中仿真反馈稀疏、全文件重写易引入回归以及跨轮次语义漂移等痛点,Veri-Sure提出了包含设计契约、基于波形的时序追踪、静态依赖切片局部补丁与形式化验证的多智能体闭环框架,并在工业级基准VerilogEval-v2-EXT上取得了93.30%的最高功能正确率。
- Verifiers in the Loop: Decoding Time Verification for Code Translation
-
提出解码期验证框架 DTV,将确定性验证器引入自回归生成内循环,在语句和代码块等结构边界进行局部渲染、验证、结构感知回滚与诊断反馈增强,在同等 Token 预算下大幅提升代码翻译编译通过率。
- VeriPy: Source-Preserving Verification and Compatibility Checking for Python Components
-
VeriPy 通过行内
#@注解、类型化准入网关与 Dafny/Lean 双后端编码器,在完整保留 Python 原生可执行代码的前提下实现函数正确性验证,并通过关系积程序判定组件版本升级间的向后兼容性。