深度分析
LLM 生成程式碼的結構一致性檢測：圖形屬性圖與混合驗證框架
隨著大型語言模型輔助寫程式的普及，生成的程式碼常在編譯與測試階段通過，卻在部署後出現結構不一致的錯誤。研究以圖形一致性不變式定義八類結構失敗，建構混合驗證框架，結合靜態分析與自製跨圖偵測器。實驗顯示，多數結構缺陷逃過型別檢查與測試，且不同模型的失敗模式差異明顯，突顯專門結構驗證的必要性。
LLM 程式碼生成
深度分析
「貝葉斯控制」提升程式碼代理人效能：成本感知的序列假設檢驗研究
隨著大型語言模型生成程式碼的能力提升，研究提出以貝葉斯控制為核心的編碼代理人框架，將工具使用決策視為成本敏感的序列假設檢驗，透過信念更新自動選擇生成、批評或驗證步驟。實驗顯示在驗證成本高且批評訊息不完美時，貝葉斯控制能顯著提升效能，並為未來 AI 代理人的資源配置提供新思路。
深度分析
ACE：以對抗單元測試與偏好優化驅動的自我演化程式碼生成框架
面對標註資料成本與驗證覆蓋限制，ACE提出一套以執行為中心的自我演化機制：同一大型語言模型交替扮演解題器與對抗器，對抗器不產生期望輸出，而是生成能誘發運行時錯誤或例外的單元測試輸入；以執行結果建構布林矩陣，挑選穩健解答作為監督資料，並以偏好優化強化對抗器。