AITOP

代码生成

共 166 条相关 AI 资讯
8月25日
18:48
8月21日
10:34
10:34官方一手arXiv: DeepSeek@Silin Chen, Haoyi Teng, Xiaodong Gu, Yuling Shi, Jiale Huang, Yongpan Wang, Hongyu Zhang, Haibing Guan
大型语言模型在代码生成方面取得显著进展，但大多数现有系统假设预定义的仓库架构。Repo0是一个针对零到全代码生成的持续结构演化框架，通过GPT-5 mini和DeepSeek V3.2在RepoCraft的六个真实仓库上评估，Repo0在所有设置中实现了最高的功能覆盖率和通过率，与RPG相比，功能覆盖率提高20.08个百分点，通过率提高29.74个百分点。
论文代码生成大型语言模型Repo0
推荐理由：Repo0通过GPT-5 mini和DeepSeek V3.2实现了更高的功能覆盖率和通过率，是设计驱动零到全代码生成的创新框架。与RPG相比，性能提升显著。
原文
8月20日
23:04
8月15日
18:12
8月14日
18:47
18:47官方账号Decoder@Matthias Bastian
72°
智谱AI发布GLM-5.3，并称其为最强的开源权重编码模型。据其自家基准，仅通过后训练就比上一代提升50%。该模型经过网络安全训练，帮助安全团队在269个项目中找到2436个漏洞。模型权重计划在两周后开源。
AI模型GLM-5.3Zhipu AI开源模型
事件专题
推荐理由：智谱发了GLM-5.3，说是开源编码模型里最强的，后训练提升50%，还帮找出了2436个漏洞，权重两周后开源，可以关注下。
原文
16:09
11:29
11:29官方账号arXiv cs.LG@Zhe Ye, Hantao Lou, Yuechun Sun, Peiyang Song, Zhengxu Yan, Timothe Kasriel, Qingyang Zhang, Kaiyu Yang, Soonho Kong, Jingxuan He, Dawn Song
精选
Vero是首个评估仓库级联合实现与证明合成的基准，包含43个多模块实例。实例来自Python、Dafny、Verus和Coq的真实仓库，覆盖密码协议到分布式系统等领域。每个实例基于Lean 4，支持仅证明和代码加证明两种评估模式。最强智能体配置仅完整解决27/43个实例，在最高难度仓库上未闭合任何规格。
论文VeroLean 4形式化验证
推荐理由：Vero拿43个真实仓库考AI写代码加形式化证明，最强配置只过了27个，想看看代码生成靠谱程度的可以来测测。
原文
03:53
02:38
02:23
8月13日
17:52
8月12日
19:32
01:59
8月11日
09:49
8月8日
04:59
8月7日
10:28
10:28官方一手arXiv: OpenAI@Xinwei Liu, Junyuan Liang, Jianting Zhang, Wuhui Chen
精选
ProDVI是一个利用大语言模型为强化学习智能体提供初始化先验的新框架。它让代码生成模型输出Python函数，编码对环境动力学的粗略假设，再生成合成转移数据。这些数据用于预训练actor-critic价值网络的状态-动作编码器，使智能体在在线强化学习开始前获得动力学感知的表示。在OpenAI Gym和DeepMind Control Suite任务上，ProDVI显著提升了无模型强化学习算法的样本效率。
论文ProDVI强化学习大语言模型
事件专题
推荐理由：这篇论文用大语言模型写代码来初始化强化学习，不用模拟器和预收集数据，在Gym和Control Suite上都能省样本。
原文
08:10
8月6日
07:07
07:07官方账号Meta AI@AIatMeta
精选
Meta发布Muse Spark 1.2，相比前代显著扩大编码任务的训练计算规模，并增加训练环境多样性。新模型在代码生成、复杂调试和端到端开发者工作流上均有提升。Muse Spark 1.2与Muse Code联合训练，针对全仓库生成、大型项目和自动研究任务优化。
AI模型Muse SparkMuse CodeMeta
事件专题
推荐理由：Meta把Muse Spark 1.2的编码能力调强了，配Muse Code一起用，全仓库生成和调试都更顺，写大项目可以试试。
原文
8月5日
10:17
10:17官方账号arXiv cs.AI@Khai-Nguyen Nguyen, Oscar Chaparro, Antonio Mastropaolo
论文提出首个视觉模式完成偏差基准，基于Design2Code数据集的30个网页生成1440张测试截图。评估5个多模态大语言模型，平均偏差率在卡片宽度扰动上达69.78%，文字字号上达80.22%，准确率仅21.17%和7.89%。Codex-5.3表现最佳，但准确率从卡片任务的68.61%降至文字任务的13.89%，Flash-3.0在文字任务上偏差率高达96.11%。噪声、更细微扰动和边界位置会进一步提高偏差率。
论文Codex-5.3Flash-3.0Design2Code
推荐理由：论文测了五个多模态模型做截图转代码填空，发现它们都按重复UI模式猜答案，最强Codex-5.3文字准确率也只有13.89%。
原文
02:10
8月4日
06:30
06:30官方账号Yann LeCun@ylecun
精选
Yann LeCun 在 X 平台回应网友评论，澄清他批评的对象是纯 LLM 所采用的自回归 token 预测。他表示，优秀的代码生成系统并不属于纯 LLM，工作方式也不是简单的自回归 token 预测。这条推文获得 133 次点赞、25 条回复，浏览量超过 1.7 万。
行业Yann LeCun代码生成LLM
推荐理由：LeCun 发推澄清：别把代码生成器和纯 LLM 自回归划等号，观点直接，适合关注大模型技术路线的人。
原文
06:04
8月3日
16:35
13:41
8月1日
04:50
04:50官方账号Greg Brockman@gdb
GPT-5.6 Luna 今日降价 80%。开发者 Simon Willison 在 Datasette Agent 中实测，称其运行飞快。该模型能生成 SQL、HTML 和 JavaScript 代码。Simon 认为这是一款低成本且性能出色的模型。
AI产品GPT-5.6 LunaDatasette Agent编程助手
事件专题
推荐理由：GPT-5.6 Luna 今天降价 80%，Simon 实测超快，写 SQL、HTML、JS 都行，便宜还强。
原文
03:42
7月31日
18:35
12:11
12:11官方一手arXiv: DeepSeek@Minghao Hu, Lannan Luo, Allen Roush, Phillip Howard
CoGate是一种针对大模型代码生成安全问题的置信度门控协同解码方法。它通过结合小型安全专家模型与目标模型，根据专家模型的置信度控制其影响，避免在未见模式或分布外场景下产生误导。研究在CodeGen、DeepSeek-Coder、Qwen-Coder和StarCoder等多个后端上进行了评估，覆盖HumanEval、安全套件和CWEval基准。相比现有协同解码方法CoSec+，CoGate在CWEval上实现了高达12.6%的Func-Sec@10提升。
论文CoGateCoSec+代码生成
推荐理由：这篇论文提出了CoGate，让安全专家模型在没把握时少掺和，代码生成更安全，比CoSec+最高提升了12.6个百分点。
原文
10:45
10:45AI Will@FinanceYF5
75°
Matt Shumer 发布演示视频，Claude Opus 5 一次生成一个完整游戏。演示中所有画面与逻辑均为模型自定义代码，未使用任何外部素材。该游戏由 Claude Opus 5 单次编码完成，无需人工修改。
AI模型Claude Opus 5Matt Shumer游戏生成
推荐理由：Matt Shumer 用 Claude Opus 5 演示了一把生成游戏，画面和逻辑全靠模型自己写，不用任何外部素材，看着挺神奇。
原文
10:29
10:29官方账号Simon Willison@simonw
GPT-5.6 Luna今日降价80%，Simon Willison随即在Datasette Agent中实测。它生成SQL、HTML和JavaScript代码速度快，可用于Datasette Apps。推文获得101次点赞和5103次查看。
AI产品GPT-5.6 LunaDatasette Agent代码生成
事件专题
推荐理由：Simon Willison说降价80%的GPT-5.6 Luna很猛，在Datasette Agent里跑得飞快，SQL、HTML、JS都能生成，开发者可以看看。
原文
00:48
7月30日
09:22
09:22官方一手arXiv: DeepSeek@Peiding Wang, Li Zhang, Fang Liu
MRCoder采用Map-Reduce范式，在Map阶段通过轻量草稿模型和结构感知草稿引导选择(SADGS)筛选信息上下文，在Reduce阶段聚合上下文并利用并行验证加速解码。在CoderEval和DevEval基准上，使用Qwen2.5-Coder和DeepSeek-Coder作为骨干模型时，MRCoder提升了代码生成准确率，同时减少了30%到50%的token消耗，推理时间降低最多52%。该方法相比现有RAG及上下文选择方法更高效地平衡了质量和计算开销。
论文MRCoderQwen2.5-CoderDeepSeek-Coder
推荐理由：MRCoder用Map-Reduce思路解决仓库级代码生成的上下文选择难题，比现有RAG方法节省30-50% token，推理快52%，在CoderEval和DevEval上准确率更高。
原文
09:20
09:20官方一手arXiv: DeepSeek@Peiding Wang, Li Zhang, Fang Liu, Taichuan Li, Yinghao Zhu
CodeSpec提出双可执行规范方法，从子需求语义与仓库架构配对构建可靠功能链，并编译为互补的架构和行为规范。在FeatureBench上，使用DeepSeek-V4-Pro达到70.7%、55.0%和49.9%的通过率，优于Claude Code等基线。在NL2Repo-Bench上验证了泛化性。该方法通过可执行规范保证长周期开发中设计与实现的一致性。
论文CodeSpecDeepSeek-V4-ProFeatureBench
事件专题
推荐理由：这篇论文搞了个CodeSpec，让代码智能体在仓库里加新功能时先建可执行规范，在FeatureBench上用DeepSeek-V4-Pro跑到70.7%通过率，比Claude Code靠谱不少。
原文
00:15
00:15lmarena.ai@lmarena_ai
82°
Anthropic 的 Claude Opus 5 (Max) 在 Agent Arena 中排名第二，基于超过 7000 次真实代理会话，净提升 11.88%。Opus 5 (High) 紧随其后排名第三，净提升 11.73%，两者均低于第一名 Fable 5，但高于 GPT-5.6 Sol (xHigh)。在 Frontend Code Arena 中，Opus 5 Max 排名第一，Opus 5 High 排名第三（落后于 Kimi K3）。在 Text Arena（事实性开启）中，Opus 5 Max 位列第一，Opus 5 High 第二。这些成绩基于全球社区的百万级真实长周期任务评测。
AI模型Claude Opus 5Agent ArenaAnthropic
事件专题
推荐理由：Claude Opus 5 在 Agent Arena 和代码榜都冲进前三，Max 版更是双榜第一，比 GPT-5.6 还靠前，很强悍。
原文
7月28日
12:25
12:25官方账号arXiv cs.AI@Fabian Kreppel, Reza Salkhordeh, Ferdinand Schmidt-Kaler, André Brinkmann
Claude Opus 4.7首次生成并迭代优化了离子阱穿梭编译器的完整Python代码，从线性分段陷阱扩展到有结架构，最终适用于广泛连接图。在基准量子电路测试中，线性架构的穿梭time steps减少76%，有结架构减少39%。对于密集连接、结丰富的架构，穿梭time steps比走廊式架构降低一个数量级。Claude Fable 5复现了结果，在大电路上超越手工编译器的次数更多。开发时间从数月缩短到数天。
论文Claude Opus 4.7Claude Fable 5量子编译器
事件专题
推荐理由：论文用Claude Opus 4.7自动写量子穿梭编译器，性能超手工，开发时间从数月缩到数天，效率提升惊人。
原文
12:14
09:46
09:46官方账号arXiv cs.LG@Ishpuneet Singh, Shreyas Mahajan, Gurjot Singh, Maninder Singh
一项研究评估了5款AI编码助手（如GitHub Copilot、Amazon CodeWhisperer等）在生成认证代码时的安全性，采用静态代码分析加动态渗透测试的双模态评估框架，并映射到NIST SP 800-63B标准。结果发现，基础或通用安全提示下生成的代码普遍缺少暴力破解防护、会话管理和密码处理等关键保护。即使给出一次性NIST提示，合规性虽有提升但仍结构不足。只有通过迭代重提示（Reprompting）迫使模型进行上下文自审计，才能实现完整的深度防御安全架构。研究证实当前AI编码助手无法默认生成安全代码，企业需从一次性提示转向持续、标准驱动的验证流程。
论文LLMAI安全代码生成
推荐理由：想了解AI写代码到底安不安全？这篇论文用具体基准和测试告诉你，目前主流的编码助手都靠不住，必须用迭代重提示才能堵上漏洞。
原文
7月27日
12:15
12:15官方账号arXiv cs.AI@Zhen Zhao, Qihang Yang, Feifei Dai, Xiangfang Li, Bo Li
MineValiCoder 提出一种协作闭环测试驱动开发（TDD）框架，包含三个模块：测试用例质量挖掘（TCQM）通过自验证过滤缺陷测试，并行TDD迭代优化生成高质量代码候选，二分图代码-测试互验（BiCoTeV）动态建模代码-测试交互进行可靠选择。在 HumanEval 上 Pass@1 达 96.34%，MBPP 上 87.40%，APPS 上 64.00%，LiveCodeBench 上 51.33%，显著优于现有方法。MineValiCoder 有效缓解了 LLM 随机性导致的不稳定代码生成问题。
论文MineValiCoder测试驱动开发代码生成
推荐理由：这篇论文用MineValiCoder框架搞定代码生成不可靠问题，HumanEval跑出96.34%通过率，比之前的方法强一截，搞LLM代码的同学值得看看。
原文
10:59
10:59官方账号NVIDIA AI@NVIDIAAI
精选
NVIDIA在代理芯片设计场景中测试了Nemotron 3 Ultra的RTL编码能力。该模型迭代编写芯片逻辑代码、通过仿真器运行、读取失败并重写。在九个真实设计工作类别中，Nemotron 3 Ultra平均通过率达97.1%，每次迭代消耗6629个tokens。这是测试中所有开源模型里表现最好的。
AI模型Nemotron 3 UltraNVIDIARTL编码
事件专题
推荐理由：NVIDIA测了Nemotron 3 Ultra在芯片设计RTL编码上的表现，九类任务平均通过率97.1%，开源模型里最强，值得关注。
原文
7月24日
07:18