跳到主要内容
检索

# 代码生成

29 篇关联报道

订阅更新
  1. Stitch 技能集打包成插件市场:六种编码智能体可按需装入设计与构建技能

    google-labs-code 仓库发布 stitch-skills,一套面向 Google Stitch 的智能体技能与插件集合,遵循 Agent Skills 开放标准。它把设计、构建和工具三类插件组织成可添加的市场,供 Codex、Antigravity、Gemini CLI、Claude Code、Cursor 安装,OpenCode 则需手动复制技能目录并配置 Stitch MCP 服务器。这些技能依赖已配置并运行的 Stitch MCP 服务器,选择性安装时还需补齐技能之间的依赖。

  2. arXiv

    27B工程模型Micius-Flash开源:硬件编码均分64.2%,比同尺寸基线高15分

    Micius-Flash是一个27B参数、支持原生多模态输入与256K上下文窗口的工程模型,以半导体工程为主要专精与评测领域,并以开源模型形式发布。它用知识树驱动的数据飞轮组织半导体知识、合成数据并做质量校验,再以多教师在线策略蒸馏把知识推理、硬件编码、多模态理解与智能体四类专家能力合并进一个学生模型。在12个硬件编码基准上均分64.2%,比同尺寸通用基线高15.0分;在半导体专用智能体基准上得62.4%,高出同尺寸基线17.2分。

  3. arXiv

    推理模型学会在局部停笔:LoCo只改继续或收尾的偏好,数学补全长度减少41.7%–45.4%

    大推理模型常在信息已经足够后继续长篇推理,推高解码延迟与显存开销。LoCo把压缩决策放到单个推理状态上:从模型自身轨迹中找出过度思考的候选状态,冻结该前缀,重新生成更短且答案验证正确的续写,再用DPO学习“继续还是收尾”的偏好。在五个数学基准上,补全长度减少41.7%–45.4%,准确率保持或提升;仅用数学数据训练后,同一模型在三个代码基准上长度减少23.4%–36.3%。

  4. Kimi K3.1 Pro 开放权重登场:终端编码智能体拿下 65.7%,逼近 Claude Opus 5.5

    月之暗面发布 K3.1 系列首个模型 Kimi K3.1 Pro,这是其迄今最强的 3T 级开放权重模型,上下文窗口达 100 万 token,并同步推出速度提升 2–3 倍的 Highspeed 版本。它是在 Kimi K3 基础上加大后训练算力得到的版本,团队为此优化了强化学习框架、长上下文推理与沙箱等整条训练栈,使每个域都获得稳定增益。在考察编码智能体真实终端任务的 Terminal-Bench 4.0 上,K3.1 Pro 得 65.7%,高于 GPT-6 Astra 的 58.2%,略低于 Claude Opus 5.5 的 66.4%。

  5. Memetic Computing

    答案对不等于推理对:给GRPO的组内优势加一道噪声权重,高噪声下仍能学

    大模型推理训练常用的GRPO只看最终答案对错,答案正确并不代表推理过程可靠,这种“思考—答案错配”在组内样本高度不平衡时会被单个错误奖励放大。S-GRPO在奖励噪声模型下最小化观测优势与潜在优势的期望平方误差,得到闭式的噪声感知组权重,在多个数学推理基准和模型规模上稳定训练,并在标准GRPO几乎学不动的强噪声干预下仍有学习进展。

  6. 四足机器人不再背指令表:一句自然语言变成可校验代码,开源模型成功率约82%

    四足机器人探索未知环境时,不再依赖预先写死的指令库,而是把用户的高层意图交给大语言模型写成受限于机器人函数库的可执行程序,由视觉语言模型提供开放语义标注,并用几何与语义阈值触发重规划。在Gazebo仿真中,Qwen3.5与Kimi-K2.5的总体成功率约82%,GPT-5-nano约46%;有限任务表现稳健,开放式任务的成功率波动更大。

  7. arXiv

    长程推理RL训练不再中途崩:状态分布修正让数学平均比GRPO高48%、代码高12%

    长程自回归强化学习里,局部策略偏差会沿轨迹累积成状态分布偏移,使训练随长度增长而失稳甚至崩溃。轨迹感知策略优化从离策略策略梯度中推导出状态分布修正项并写入优化目标,用几何均值估计压低其方差,再按前序轨迹长度动态收紧裁剪边界。在八个竞赛级数学与代码基准上,它相对GRPO的数学平均提升最高48%、代码平均提升12%,训练分数持续上升而KL散度受控。

  8. arXiv

    大模型写代码前先问清楚:341个仓库级任务显示,澄清能把需求对齐拉高133%

    面向仓库级软件开发,研究者构建了 ReqClarifyBench,用341个任务把模糊的用户意图、人工校验的详细需求文档和代码评测产物配成一套,并让带三种真实用户画像的模拟用户参与多轮澄清。六个大模型的对比显示,问得有效不等于文档写得好:澄清有效性最高的模型需求对齐反而偏低;但加入交互澄清后,平均需求对齐从0.212升到0.494,相对提升133.1%,代码生成得分也随之提高。

  9. arXiv

    跨分词器在线蒸馏中,严格对齐已覆盖85.57–96.98%学生token,学生自选top-16子集保留至少96%增益,而补齐错配跨度监督反而降低准确率

    该研究在数学推理与代码生成上考察三组异构教师—学生模型对的跨分词器在线蒸馏,发现尽管静态词表Jaccard重叠仅39.49–64.87%,严格对齐组已覆盖85.57–96.98%的学生token,共享词表在严格位置保留近乎全部预测概率质量;将反向KL限制在学生自选的共享词表top-16子集即可保留全共享词表蒸馏至少96%的平均提升,而用跨度对数概率MSE补齐错配组虽实现完全监督覆盖,却在全部18个正权重设置下降低准确率。

  10. arXiv

    MAPE-K双AI框架让四足机器人用自然语言意图生成可执行代码,有限任务稳健而开放式穷举搜索仍受认知限制

    该工作提出一个受MAPE-K启发的双AI架构,由LLM把高层自然语言意图翻译成受机器人函数库约束的可执行Python代码,VLM通过蒸馏提供开放式语义接地,并以几何与语义阈值触发重规划;在Gazebo四足机器人探索任务上对三个前沿模型基准测试,有限任务成功率高,开放式穷举任务成功率下降,失败集中在语义接地、完整性判断与终止控制而非底层动作执行。