跳到正文
目前篩選:論文
今天11月22日週日2 則
  1. DEV Community35

    CanopyCore:Diddy Kong Pilot(GBA)逆向工程檔案

    CanopyCore 發佈了 Diddy Kong Pilot(GBA)原型的唯讀逆向工程研究檔案,歷時 17 天完成,內容包括 151 份技術文件及核心引擎的語義 C11 參考實作。研究涵蓋 421 個函式,其中 220 個有文件記錄、130 個以 C 重構;檔案不包含 ROM,也不能建置 ROM 或遊玩。

  2. DEV Community63

    研究指 GPT-6.1 Sol 可在無工具下讀寫可執行檔位元組

    Xenos 與 Giannopoulos 的研究測試 GPT-6.1 Sol 在沒有工具的情況下直接讀取、修改及撰寫可執行檔位元組,並正確辨識四個測試程式。模型在 FreeBSD 的 ministat 二進位檔中發現,標示為 99.5% 的選項實際使用 99.8% 的臨界值。延伸及從零撰寫測試均只允許一次作答,研究亦未提供方法能否擴展至大型真實執行檔的證據。

11月21日週六
  1. DEV Community58

    AI 編碼智能體 Fail-Before-Fix 基準測試:先復現門檻較推測式修補少用 95.3% 輸入 token,20/20 通過

    作者在隔離 VM 中以 20 個隱藏評分案例比較兩種 AI 編碼智能體修 bug 流程,先復現門檻以 20/20 通過,推測式修補則為 17/20。先復現門檻將累計輸入 token 由 49,801 降至 2,323(減少 95.3%),模型呼叫由 3 次減至 1 次。該流程先要求 5 項最小 bug 復現斷言在原有程式碼上全部失敗,才開放修改;這些斷言涵蓋零金額授權及多餘鍵處理等邊界問題。

  2. 阿里雲開發者社區 AI37

    LLM 驅動的程式合成與形式化驗證綜述

    這份綜述梳理 LLM 程式合成與形式化驗證,從早期把 LLM 視為程式碼補全工具,整理至以驗證器為裁判的「生成-驗證-修復」閉環。文章按形式化規格合成、循環不變量生成、端到端驗證程式碼生成等路線,分析表示質素、適應效率與計算成本的取捨,並探討可擴展性及 LLM 幻覺等挑戰。

  3. DEV Community60

    METR 時間跨度圖顯示 AI 編碼能力增長快於判斷能力

    METR 發佈的最新時間跨度圖顯示,自 2021 年起,AI 在軟件工程基準上可自主完成的任務時長約每七個月翻一倍;判斷類任務的時間跨度則較短,改善也較慢。該圖只追蹤有明確正確答案的任務,不能直接用編碼任務的增長趨勢推斷判斷類工作的進展。文中建議採用任務專屬基準評估模型,並在需要細緻判斷的工作中保留人工參與。

11月20日週五
  1. DEV Community51

    Megabit Trajectories 公開 66 段經實際執行驗證的編碼智能體軌跡數據集

    Sumama-Jameel 公開 Megabit Trajectories,收錄 66 段經實際執行及驗證的編碼智能體軌跡,合計超過一百萬個模型 token。與四個較大型數據集比較時,SWE-Gym 在作者自訂的每萬 token 錯誤恢復配對數指標上以 10.72 比 6.48 領先,SWE-smith 的最長重試鏈則為 64 比 4;作者亦公開自己在規模等項目落後。

  2. DEV Community35

    AI 輔助提交是否更常被撤銷?663 組配對研究的誠實答案是「無法判斷」

    一項觀察性研究比較 663 組 AI 輔助提交與人工作業提交,未能判斷 AI 輔助提交是否更常被撤銷或後續修復。30 日內,AI 輔助組有 1 次撤銷,對照組有 2 次;信賴區間很寬,研究樣本不足以得出明確結論。研究者指出,修復判定方法雜訊較大,可靠解答需要約 10 倍的配對數及經驗證的修復追蹤方法。

  3. Unite.AI72

    AlphaEvolve:Google DeepMind 邁向 AGI 的突破性一步

    Google DeepMind 公佈 AlphaEvolve,一種以大型語言模型生成、測試及演化程式的智能體,目標是自主發現新演算法與科學解法。文章稱它為 4×4 複數矩陣乘法找到只需 48 次純量乘法的演算法,並在超過 50 個開放問題中約 75% 達到已知最佳結果、約 20% 超越最佳結果。

  4. Prime Intellect51

    Prime Intellect 回顧 2026 年 RL Residency 研究成果

    Prime Intellect 回顧 RL Residency 在 2026 年支持的開放研究成果,分為評測、訓練環境和其他研究三類。項目涵蓋 Maze Bench、OpenTTD-Bench、PretrainGym、AerialSim 等;Maze Bench 中,當前最佳大語言模型在不使用編碼工具時準確率最高為 16%,使用編碼工具時最高為 23%。

11月19日週四
  1. HuggingFace Daily Papers(社區熱門論文)35

    CurvDelta:用於選擇性學習與遺忘的低曲率增量建模

    CurvDelta 和 CurvLoRA 將大語言模型更新限制在低曲率保留空間,以提升一般能力保留度,同時維持目標適應效果。兩者以數學推理、程式碼生成及知識遺忘任務作評估;在 TOFU 和 MUSE 上,方法在目標遺忘與知識保留之間取得較佳平衡,保留表現接近從頭重新訓練的參考結果。

  2. DEV Community46

    為何 AI 編碼智能體的自我審查會失效:單智能體自我審查對比對抗式評論者(突變體擊殺率 0% 對 100%)

    AI Labo 的 E10 基準測試以 gemini-3.8-flash 比較單智能體自我審查與對抗式 Maker-Checker,兩者均通過 20 項功能測試,但突變體擊殺率分別為 0% 和 100%。自我審查測試套件因缺少 pytest 而執行失敗;對抗式評論者以額外 $0.0052 和 6.92 秒,擊敗全部 6 個突變體。

  3. DEV Community54

    FINAL-Bench 混淆 Shell 安全度排行榜實測 20 個模型,GPT-6.1 Terra 平衡準確率 99.5 居首

    FINAL-Bench 的混淆 Shell 安全度排行榜評測 20 個模型,GPT-6.1 Terra 以 99.5 平衡準確率排名第一,Kimi K3.1 Pro 是開源模型之首,得分 97.9。評測使用 221 條保留命令,每條評分 3 次並以多數決定結果,沒有 AI 評審。榜單指出,各模型的差距主要在正常命令通過率;穩健性測試中,Kimi K3.1 Pro 以 99.3 居首。

  4. OpenAI News72

    OpenAI 公佈研究加速報告,指出 AI 研發能力提升不均

    OpenAI 公佈內部研究加速報告,指出編碼智能體可獨立完成更多研究任務,但能力提升因工作類型而異,人類仍是 AI 研發流程的重要部分。對估計需人類工作 2 至 4 小時的任務,無人介入成功率由 3 月的 23% 升至 10 月的 46%;監察訓練運行任務的成功率為 79%,編寫推理及服務堆疊程式碼則為 25%。

    推薦理由:報告把智能體使用、研究員工作流程與模型能力指標放在同一框架,並呈現自動化成效在不同任務上的明顯落差。

11月18日週三
  1. HuggingFace Daily Papers(社區熱門論文)49

    MillBill:具幾何回饋的加工智能體

    MillBill 將 B-rep 零件、毛坯及材料轉換為索引式三軸銑削的 G-code,並以幾何回饋協助模型修訂加工計劃。在100個 GrabCAD 零件的模擬評分中,本地運行的開源 Qwen3.8-27B 令97.4%的目標表面偏差維持在0.1 mm內;GPT-6 Astra、Claude Opus 5.5及 CNC-Net 分別達到94.3%、83.0%及42.3%。

  2. HuggingFace Daily Papers(社區熱門論文)43

    編碼智能體原位訓練光學神經網絡

    研究提出 optics as code,讓編碼智能體僅憑測量數據原位訓練光學神經網絡,並以可解讀的光學元件重新參數化網絡。該方法在分類和圖像編碼上優於無梯度方法,並以較低成本達到接近透過校準模型進行反向傳播的效果。

11月17日週二
  1. HuggingFace Daily Papers(社區熱門論文)48

    Accelerate Bench:評估智能體進行應用程式層級程式最佳化的表現

    Accelerate Bench 是一個評估編碼智能體進行應用程式層級程式最佳化的基準測試,涵蓋 8 個應用領域的 32 項科學工作負載。研究評估了 16 個編碼智能體,排名前列的兩個智能體在至少 22 項任務中取得 2× 或以上加速,同時須維持程式正確性。31 項任務可透過 Harbor Hub 使用,完整版本則在 Hugging Face 提供。

  2. DEV Community38

    SWE-CoWork 基準測試在模擬組織中評估編碼智能體協作能力

    研究人員推出 SWE-CoWork,透過模擬組織中的協作任務,評估編碼智能體處理真實開發工作的能力。基準涵蓋 101 個真實程式碼庫、11 種語言及 12 個領域;智能體須向 26 名模擬同事和記錄查找需求,並協作及核實工作。模擬同事是否足夠真實,仍是評估結果能否反映真實組織表現的不確定因素。

  3. Microsoft Research71

    TokenEconomizer:從經驗學習,提升 AI 編碼智能體效率

    TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。

    推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。

11月16日週一
  1. DEV Community51

    為何按角色拆分子智能體會拖慢編碼智能體:折疊流程與漸進式技能披露快 2.66 倍

    在 SaaS 用量計費任務的隔離 VM 基準測試中,折疊式單一循環搭配漸進式技能披露,比按角色拆分子智能體快 2.66 倍。兩種方案最終都通過 20 個隱藏測試案例;折疊方案用 2 次模型調用、13.68 秒完成,按角色拆分方案則用 5 次調用、36.36 秒,前者輸入 token 減少 67.0%、API 成本減少 54.9%。