177 篇论文
该论文提出了“遍历即策略”（Traversal-as-Policy）框架，通过将沙盒执行日志蒸馏为可执行的门控行为树（GBT），将控制策略从隐式生成转变为显式遍历，从而在 OpenHands 基准测试中显著提升了智能体的任务成功率、安全性并降低了成本。
本文介绍了 EigenData，一个通过多智能体架构实现函数调用数据合成、审计与修复的自进化平台，该平台在修复 Berkeley 函数调用排行榜（BFCL-V3）基准测试的同时，引入了基于数据库状态正确性的结果感知评估协议，显著提升了模型排名与人类对功能正确性判断的相关性。
本文提出了名为 Tool-Genesis 的诊断基准，旨在量化语言智能体仅凭抽象需求自主创建工具的能力，并揭示了当前最先进模型在一次性生成中因接口与逻辑的微小缺陷而导致下游任务性能急剧下降的问题。
本文提出了首个基于实证证据的模型上下文协议（MCP）服务器故障分类体系，并通过从业者调查验证了其涵盖的五大类故障在实际中的普遍性，旨在为构建更稳健、可靠和安全的 AI 软件系统提供关键见解。
本文提出了 LTLGuard，一种结合约束生成与轻量级形式化一致性检查的模块化工具链，旨在利用资源高效的小型语言模型将非正式需求准确转化为无冲突的线性时序逻辑（LTL）规范。
本文提出了 CodeScout，一种通过轻量级预探索将模糊的用户请求转化为包含复现步骤、预期行为及探索提示的综合性问题陈述的上下文查询优化方法，该方法在不修改现有智能体架构的前提下，显著提升了其在 SWEBench-Verified 基准上的代码问题解决率。
ReflexiCoder 提出了一种基于强化学习的框架，通过将生成、反思与自修正的完整轨迹内化至模型权重中，使大语言模型能够在无需外部反馈或执行引擎的情况下实现自主代码调试，从而在多项基准测试中达到甚至超越 GPT-5.1 的性能，同时显著降低了推理计算开销。
该论文提出了一种将大语言模型编程代理的原始执行轨迹转化为结构化、可解释洞察的系统性方法，通过结合领域特定的失败分类法、自动标注系统及混合解释生成器，显著提升了开发者（包括非技术人员）识别故障根因的速度与修复准确率。
该论文提出了 MCCom 框架，通过结合本地小模型与云端大模型、利用用户行为触发机制及两阶段投机解码策略，在显著降低代码补全延迟和云端计算成本的同时，有效提升了补全准确率。
本文提出了首个规范引导的差分测试框架 APIDiffer，通过结合规范引导的测试输入生成与大模型辅助的误报过滤，在以太坊客户端生态中自动检测出 72 个 API 不一致漏洞，显著提升了代码覆盖率并降低了误报率。
本文提出了一种利用自然语言处理和大语言模型来检测部分领域模型与文本规范之间语义对齐的方法，该方法能以接近完美的精度识别出约 78% 的模型元素是否对齐，从而支持建模工具提供实时反馈或进行离线质量评估。
该研究基于 2022 年 7 月收集的 1155 名开发者数据，确立了生成式 AI 普及前的 IDE 满意度基线，揭示工具选择自主权是满意度的核心预测因子，并指出了云 IDE 普及率低及高满意度下潜在的保留率差异等关键发现，为评估 AI 对软件开发的影响提供了量化基准。
该论文提出了一种基于 LINDDUN 的生成式 AI 隐私威胁建模框架，通过系统文献综述和案例研究扩展了原有威胁类型并新增 100 个示例，从而有效支持了生成式 AI 应用的全面隐私分析。
该论文提出了一种通过子进程隔离执行来改进 Pynguin 自动测试生成工具的方法，以解决 C 扩展导致的 Python 解释器崩溃问题，从而在包含 C 扩展的流行 Python 库中成功检测并复现了 32 个此前未知的故障。
该研究通过实证分析表明，调整深度学习模型的超参数不仅能显著影响其能耗，还能在保持性能的同时降低能源消耗，从而为实现绿色深度学习提供有效途径。
该研究通过四项实证实验表明，大语言模型（LLMs）在零样本和少样本设置下预测用户故事点的能力优于传统监督深度学习模型，且虽然直接预测故事点比预测相对工作量判断更容易，但利用后者作为少样本示例能有效提升 LLM 的预测性能。
本文基于对现有文献的系统映射研究，提出了一种涵盖数字模型、数字影子和数字孪生的通用特征模型，并通过三个领域的用例验证了其在辅助设计决策、推动模型驱动开发以及为测试用例推断提供基础方面的有效性。
本文提出了首个面向仓库开发场景的长程对话上下文管理基准 LoCoEval，揭示了现有方法在此类场景下的局限性，并设计了一种融合对话与仓库信息的统一记忆机制，显著提升了代码助手的性能。
该论文针对强化学习框架缺乏统一参考架构的问题，基于对 18 个主流框架的扎根理论分析，提出了一套包含核心组件及其关系的参考架构，并以此重构典型模式、识别技术趋势以指导框架改进。
本文首次针对即时（JIT）编译器性能缺陷开展了实证研究，揭示了其触发机制与成因，并据此提出了名为 Jittery 的轻量级分层差异性能测试工具，成功在 Oracle HotSpot 和 Graal 编译器中发现了多个此前未知的性能缺陷。