夜雨聆风目录
智能编码代理与开发范式
• CIAO - Code In Architecture Out - Automated Software Architecture Documentation with Large Language Models • Tokalator: A Context Engineering Toolkit for Artificial Intelligence Coding Assistants • Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering • Test-Oriented Programming: rethinking coding for the GenAI era • GALA: Multimodal Graph Alignment for Bug Localization in Automated Program Repair • ZeroCoder: Can LLMs Improve Code Generation Without Ground-Truth Supervision? • To Copilot and Beyond: 22 AI Systems Developers Want Built • An Empirical Study on Influence-Based Pretraining Data Selection for Code Large Language Models • Beyond Human-Readable: Rethinking Software Engineering Conventions for the Agentic Development Era • Triage: Routing Software Engineering Tasks to Cost-Effective LLM Tiers via Code Quality Signals • Breaking the Illusion of Identity in LLM Tooling • ORACLE-SWE: Quantifying the Contribution of Oracle Information Signals on SWE Agents
测试、分析与安全保障
• Vulnerability Detection with Interprocedural Context in Multiple Languages: Assessing Effectiveness and Cost of Modern LLMs • Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot • Can LLMs Deobfuscate Binary Code? A Systematic Analysis of Large Language Models into Pseudocode Deobfuscation • A Comparative Study of Semantic Log Representations for Software Log-based Anomaly Detection • Log-based, Business-aware REST API Testing • AFGNN: API Misuse Detection using Graph Neural Networks and Clustering • MIMIC-Py: An Extensible Tool for Personality-Driven Automated Game Testing with Large Language Models • Towards Counterfactual Explanation and Assertion Inference for CPS Debugging • Program Analysis Guided LLM Agent for Proof-of-Concept Generation • Beyond Single Reports: Evaluating Automated ATT&CK Technique Extraction in Multi-Report Campaign Settings • An Empirical Analysis of Static Analysis Methods for Detection and Mitigation of Code Library Hallucinations • VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery
工程流程、实证研究与科研基础设施
• Empirical Evaluation of Taxonomic Trace Links: A Case Study • Towards Improving the External Validity of Software Engineering Experiments with Transportability Methods • Investigating Code Reuse in Software Redesign: A Case Study • sciwrite-lint: Verification Infrastructure for the Age of Science Vibe-Writing • Top Management Journal Portal: A Real-Source Search and Research Analytics Artifact for UTD-24 and FT50 Journals • MVOS_HSI: A Python Library for Preprocessing Agricultural Crop Hyperspectral Data • Automatic Generation of Executable BPMN Models from Medical Guidelines • Jean-Raymond Abrial: A Scientific Biography of a Formal Methods Pioneer
形式化方法、编程语言与智能系统理论
• On the Decompositionality of Neural Networks • Formally Guaranteed Control Adaptation for ODD-Resilient Autonomous Systems • Optimization of 32-bit Unsigned Division by Constants on 64-bit Targets • When Equality Fails as a Rewrite Principle: Provenance and Definedness for Measurement-Bearing Expressions • Active Reward Machine Inference From Raw State Trajectories
系统基础设施、体系结构与性能优化
• Blink: CPU-Free LLM Inference by Delegating the Serving Stack to GPU and SmartNIC • PG-MDP: Profile-Guided Memory Dependence Prediction for Area-Constrained Cores • Valve: Production Online-Offline Inference Colocation with Jointly-Bounded Preemption Latency and Rate • A Hardware-Anchored Privacy Middleware for PII Sharing Across Heterogeneous Embedded Consumer Devices
智能编码代理与开发范式
CIAO - Code In Architecture Out - Automated Software Architecture Documentation with Large Language Models
• 作者: Marco De Luca, Tiziano Santilli, Domenico Amalfitano, Anna Rita Fasolino, Patrizio Pelliccione • arXiv URL: https://arxiv.org/abs/2604.08293
Abstract
软件架构文档对系统理解至关重要, 但在实践中往往缺失或不完整。尽管近期已有基于 LLM 的方法能够从代码生成文档, 它们通常只处理局部工件, 难以形成连贯的系统级架构描述。本文提出 CIAO(Code In Architecture Out), 一个直接从 GitHub 仓库自动生成系统级架构文档的结构化流程。该流程以仓库为输入, 按照融合 ISO/IEC/IEEE 42010、SEI Views & Beyond 与 C4 模型的模板, 生成可直接加入目标仓库的系统级架构文档。作者让 22 名开发者评审其各自参与过的仓库所生成的文档, 结果显示开发者普遍认为这些文档具有价值、易于理解, 且与源码大体一致, 但在图示质量、高层上下文建模与部署视图方面仍有限制。成本评估表明, 生成完整架构文档仅需数分钟且运行成本较低。整体结果说明, 面向标准的结构化流程能够有效引导 LLM 生成既可用又具成本效益的系统级架构文档。
Tokalator: A Context Engineering Toolkit for Artificial Intelligence Coding Assistants
• 作者: Vahid Farajijobehdar, İlknur Köseoğlu Sarı, Nazım Kemal Üre, Engin Zeydan • arXiv URL: https://arxiv.org/abs/2604.08290
Abstract
AI 辅助编程环境受限于有限上下文窗口, 截至 2026 年初通常为 12.8 万到 100 万 token, 但现有工具对 token 消耗的监测与优化支持仍很有限。随着开发者打开越来越多文件, 模型注意力会被稀释, 而 API 成本也会随对话长度和输入输出规模增加而上升。Tokalator 是一个开源的上下文工程工具包, 包含带实时预算监控和 11 个 slash 命令的 VS Code 插件、9 个用于 Cobb-Douglas 质量建模、缓存盈亏平衡分析及 对话成本证明的网页计算器、一个代理/提示词/指令文件的社区目录、MCP 服务器与 CLI、Python 计量经济学 API, 以及基于 PostgreSQL 的使用跟踪器。该系统支持来自 Anthropic、OpenAI 与 Google 三家提供商的 17 个 LLM, 并通过了 124 个单元测试。Visual Studio Marketplace 的初始部署显示, 截至 v3.1.3 共获得 313 次获取, 转化率为 206.02%。对 50 名开发者的结构化调研表明, 指令文件注入和低相关性的打开标签页, 是典型 AI 辅助开发会话中最主要的隐性预算消耗来源。
Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering
• 作者: Chenyu Zhou, Huacan Chai, Wenteng Chen, Zihan Guo, Rong Shan, Yuanyi Song, Tianyi Xu, Yingxuan Yang, Aofan Yu, Weiming Zhang, Congming Zheng, Jiachen Zhu, Zeyu Zheng, Zhuosheng Zhang, Xingyu Lou, Changwang Zhang, Zhihui Fu, Jun Wang, Weiwen Liu, Jianghao Lin, Weinan Zhang • arXiv URL: https://arxiv.org/abs/2604.08224
Abstract
LLM 代理能力的提升, 越来越不是通过修改模型权重获得, 而是通过围绕模型重组其运行时系统实现。过去依赖模型内部恢复的能力, 如今被外化为记忆存储、可复用技能、交互协议以及保证这些模块在实践中可靠运行的 harness。本文以“外化”为视角综述这一转变。借助“认知工件”的观点, 作者认为代理基础设施之所以重要, 不只是因为它增加了辅助组件, 更因为它把困难的认知负担转化为模型能更可靠解决的形式。在这一框架下, 记忆外化跨时间状态, 技能外化程序性专长, 协议外化交互结构, 而 harness engineering 则充当将这些模块编排为受治理执行的统一层。论文梳理了从权重到上下文再到 harness 的历史演进, 分析记忆、技能与协议三种既彼此区分又相互耦合的外化形式及其在更大代理系统中的交互, 并讨论参数化能力与外化能力之间的权衡、自演化 harness 与共享代理基础设施等新方向, 以及评测、治理和模型与外部基础设施长期共演化方面的开放挑战。最终, 作者给出一个系统层面的解释框架, 说明为何实用代理的进展越来越依赖更好的外部认知基础设施, 而不仅仅是更强的模型。
Test-Oriented Programming: rethinking coding for the GenAI era
• 作者: Jorge Melegati • arXiv URL: https://arxiv.org/abs/2604.08102
Abstract
LLM 已展现出惊人的代码生成能力, 并被广泛用于辅助开发者编程。现有工具通常要么作为增强自动补全的助手, 要么采用多代理编排, 让不同模型实例分别处理问题的不同部分。本文认为, LLM 能支持更高层级的抽象, 并提出一种名为 Test-Oriented Programming(TOP) 的新范式。在这一范式下, 开发者主要只需检查根据自然语言规格生成的测试代码, 而不再把注意力集中在生产代码上, 因为后者可以交由 LLM 完成。为评估这一设想的可行性, 作者开发了一个概念验证工具, 并用两个不同的 LLM 生成一个小型命令行程序。实验取得了有前景的结果, 同时也暴露出该范式在真实项目中应用所面临的挑战。
GALA: Multimodal Graph Alignment for Bug Localization in Automated Program Repair
• 作者: Zhuoyao Liu, Zhengran Zeng, Shu-Dong Huang, Yang Liu, Shikun Zhang, Wei Ye • arXiv URL: https://arxiv.org/abs/2604.08089
Abstract
基于 LLM 的自动程序修复在纯文本基准上已展现出较强潜力, 但在缺陷报告包含 GUI 截图的多模态场景中仍表现不佳。现有方法通常将图像转换为纯文本, 这会丢失关键空间关系, 并导致视觉观察与代码组件之间严重脱节, 使定位退化为粗糙的关键词匹配。为弥合这一差距, 本文提出 GALA(Graph Alignment for Localization in APR), 将多模态 APR 从隐式语义猜测转为显式结构推理。GALA 分四个阶段运行: 首先构建 Image UI Graph 以表征视觉元素及其结构关系; 然后通过将该 UI 图与仓库级结构(如文件引用)交叉比对进行文件级对齐, 找到候选文件; 接着结合细粒度代码依赖(如调用图)做函数级对齐, 将视觉元素精确映射到对应代码组件; 最后在已对齐的文件与函数上下文中生成补丁。通过系统性地在模态间同时约束语义一致性与关系一致性, GALA 建立了高精度的视觉到代码映射。在 SWE-bench Multimodal 基准上的评估表明, GALA 达到了新的最优性能, 说明分层结构对齐在该任务中是有效的。
ZeroCoder: Can LLMs Improve Code Generation Without Ground-Truth Supervision?
• 作者: Lishui Fan, Mouxiang Chen, Tingwei Zhu, Kui Liu, Xin Xia, Shanping Li, Zhongxin Liu • arXiv URL: https://arxiv.org/abs/2604.07864
Abstract
代码生成是软件工程中的重要任务, 而带可验证奖励的强化学习(RLVR)是一种借助执行反馈提升其性能的强大范式。然而, 大多数 RLVR 流水线依赖人工编写测试, 使得进展受制于昂贵且稀缺的监督。已有工作尝试使用模型自生成测试来构造奖励, 但由于测试本身缺乏区分性, 提升效果受限。本文旨在在没有真值监督的情况下改进代码生成, 其核心思想是让代码生成与测试生成共同进化, 从而在二者交互中逐步形成信息量更高的监督。为此, 作者提出完全无标注的协同进化框架 ZeroCoder, 通过自生成代码与测试之间的执行反馈, 联合训练 Coder 和 Tester。对每个问题, ZeroCoder 会执行采样得到的解与测试, 形成通过矩阵, 再利用可插拔选择算法找出可能正确的解与一致测试组成的共识子集, 从而构造角色特定奖励。为保证奖励质量, ZeroCoder 使用基于排序的预过滤去除低信息样本, 并采用兼顾有效性与基于变异的区分性的课程策略训练 Tester。作者进一步发现固定选择规则在协同进化过程中会出现“selector drift”, 即逐渐失准, 因而提出仅需 10 个标注样本即可动态校准先验的贝叶斯选择器 DyB4。跨 3 个模型与 6 个基准的实验表明, ZeroCoder 能稳定提升代码生成与测试生成; 在完全无标注设定下, 它相对基线在 Qwen2.5-Coder-7B-Instruct 上最高提升 14.5%, 配合 DyB4 后代码生成增益达到 21.6%, 测试生成则提升 24.3%, 接近 oracle 监督的性能。
To Copilot and Beyond: 22 AI Systems Developers Want Built
• 作者: Rudrajit Choudhuri, Christian Bird, Carmen Badea, Anita Sarma • arXiv URL: https://arxiv.org/abs/2604.07830
Abstract
开发者大约只有十分之一的工作时间在真正编写代码, 但大多数 AI 工具却只针对这部分活动。本文追问: 对于剩余的大部分工作, 应该构建什么样的 AI 系统? 作者调查了 860 名 Microsoft 开发者, 以了解他们希望 AI 提供支持以及明确不希望其介入的环节。借助 human-in-the-loop 的多模型 council 式主题分析, 研究识别出开发者希望被构建的 22 类 AI 系统, 覆盖 5 类任务。对每一类系统, 论文都描述了其要解决的问题、实现困难以及开发者对其行为施加的约束。结果表明, 在 AI 辅助开发中, 越来越大的负担被“右移”到了更靠后的流程中: 开发者希望 AI 能更早嵌入质量信号, 以跟上代码生成加速带来的节奏, 同时在整个流程中严格执行权限边界、来源追踪、不确定性提示与最小权限访问。这一张力揭示出作者所称的“有界委派”模式: 开发者希望 AI 吸收围绕其专业工作的装配性事务, 但不取代“专业本身”。这一边界与他们定义职业身份的方式一致, 表明 AI 工具的价值, 既在于它能做什么, 也在于它在何处、以多精确的方式停下来。
An Empirical Study on Influence-Based Pretraining Data Selection for Code Large Language Models
• 作者: Chengli Xing, Zhengran Zeng, Gexiang Fang, Rui Xie, Wei Ye, Shikun Zhang • arXiv URL: https://arxiv.org/abs/2604.07769
Abstract
近期代码大语言模型在多种编程任务上表现突出, 同时研究界也逐渐认识到预训练数据质量对模型性能至关重要。然而, 现有关于预训练数据过滤的大部分研究集中在通用数据集, 对编程数据集关注较少。本文试图弥补这一空白, 探索一种广泛用于通用数据过滤的技术, 即基于数据影响分数(data-influence-score)的过滤, 在编程相关数据中的有效性。作者首先提出一种面向生成式编程任务的数据影响分数计算方法: 将多种下游编码任务转化为验证集, 并使用模型在这些验证集上的损失作为性能度量。随后, 研究者从头训练了一个 10 亿参数的 Code-LLM, 使用的数据规模为 1000 亿代码 token, 并在此基础上开展大规模实证研究。研究重点考察该过滤技术能否提升模型性能、不同训练阶段与不同编程任务中“有益训练数据”的特征如何变化, 以及基于预测的数据影响分数过滤是否可行。结果表明, 基于验证集损失的数据影响分数过滤能够提升模型的编程性能, 且不同下游编程任务对应的有益训练数据标准存在显著差异。
Beyond Human-Readable: Rethinking Software Engineering Conventions for the Agentic Development Era
• 作者: Dmytro Ustynov • arXiv URL: https://arxiv.org/abs/2604.07502
Abstract
过去六十年里, 软件工程原则一直围绕单一消费者进行优化: 人类开发者。随着基于 LLM 的代理能够自主读取、编写、导航并调试代码库, 一个具有完全不同约束的新主要消费者出现了。本文系统分析了以人为中心的工程约定在代理开发压力下的表现, 并提出“语义密度优化”这一关键设计原则: 删除不承载信息的 token, 同时保留高语义价值 token。作者通过一个关于日志格式 token 经济性的对照实验验证该原则, 在人类可读、结构化、压缩和工具辅助压缩四种条件下得到一个反直觉结论: 尽管激进压缩将输入 token 减少了 17%, 却因为把解释负担转移到模型推理阶段, 导致总会话成本反而上升了 67%。在此基础上, 论文进一步提出应重新审视经典“反模式”、引入用于代理代码导航的 program skeleton 概念, 并主张将语义意图与面向人类的可读表示彻底解耦。
Triage: Routing Software Engineering Tasks to Cost-Effective LLM Tiers via Code Quality Signals
• 作者: Lech Madeyski • arXiv URL: https://arxiv.org/abs/2604.07494
Abstract
当前 AI 编码代理往往把所有任务都发送给单一的前沿 LLM, 即使许多任务本质上是常规任务, 也要支付高昂推理成本。本文提出 Triage, 一个利用代码健康度指标(即软件可维护性的指示信号)作为路由依据的框架, 将任务分配给能够在与昂贵模型相同验证门槛下通过的最低成本模型层级。Triage 定义了轻量、标准和重型三档能力层, 类比于 Haiku、Sonnet、Opus 这类模型分层, 并基于预计算的代码健康度子因子和任务元数据进行路由。作者设计了在 SWE-bench Lite 上的评估方案, 比较三种路由策略: 启发式阈值、训练出的机器学习分类器和完美后见 oracle。论文解析地给出了 tier-dependent asymmetry 成立并带来成本收益的两个可证伪条件: 一是轻量层模型在健康代码上的通过率必须超过层级间成本比, 二是代码健康度必须以至少较小效应量()区分所需模型层级。整体而言, Triage 将诊断性的代码质量指标转化为可执行的模型选择信号, 并提供了系统评估成本与质量权衡及各健康度子因子贡献的严格协议。
Breaking the Illusion of Identity in LLM Tooling
• 作者: Marek Miller • arXiv URL: https://arxiv.org/abs/2604.07398
Abstract
LLM 在研发工具链中的输出, 容易诱发用户对其“有主体性”和“真正理解”的归因, 这种认知错觉会削弱验证行为并破坏信任校准。现有缓解方法尚未给出一套系统化且可部署的输出语域约束。本文提出 7 条仅作用于输出侧的规则, 每条规则都针对一种已有文献记录的语言机制, 并进行了实证验证。在 780 组双轮对话对照实验中(受限语域与默认语域, 30 个任务, 13 次重复, 共 1560 次 API 调用), 拟人化标记从 1233 次下降到 33 次, 降幅超过 97%(p < 0.001); 输出词数缩短了 49%; 改造后的 AnthroScore 也证实输出显著转向“机器语域”(-1.94 对 -0.96, p < 0.001)。这些规则以配置文件中的 system prompt 形式实现, 无需改动模型本身, 验证使用单一模型 Claude Sonnet 4 完成。作者同时指出, 受限语域下的输出质量在本文中尚未评估, 但该机制可拓展到其他领域。
ORACLE-SWE: Quantifying the Contribution of Oracle Information Signals on SWE Agents
• 作者: Kenan Li, Qirui Jin, Liao Zhu, Xiaosong Huang, Yijia Wu, Yikai Zhang, Xin Zhang, Zijian Jin, Yufan Huang, Elsie Nallipogu, Chaoyun Zhang, Yu Kang, Saravan Rajmohan, Qingwei Lin, Wenke Lee, Dongmei Zhang • arXiv URL: https://arxiv.org/abs/2604.07789
Abstract
语言模型代理近年来显著提升了自动化软件工程能力。既有研究提出了多种代理工作流与训练策略, 并分析了系统在 SWE 任务上的失败模式, 重点关注若干上下文信息信号, 包括复现实验测试、回归测试、编辑位置、执行上下文和 API 使用等。然而, 每类信号对总体成功率的单独贡献仍不清楚, 尤其是在这些中间信息可以被“完美获得”时的理想贡献尚未被量化。为解决这一问题, 本文提出 Oracle-SWE, 一个统一方法, 用于从 SWE 基准中隔离并提取 oracle 级信息信号, 进而量化各类信号对代理性能的影响。为进一步验证这种模式, 作者还评估了由强语言模型抽取得到的这些信号, 在提供给一个基础代理后所带来的性能增益, 以近似真实问题求解场景。该系列评估旨在为自主编程系统的研究优先级排序提供依据。
测试、分析与安全保障
Vulnerability Detection with Interprocedural Context in Multiple Languages: Assessing Effectiveness and Cost of Modern LLMs
• 作者: Kevin Lira, Baldoino Fonseca, Davy Baía, Márcio Ribeiro, Wesley K. G. Assunção • arXiv URL: https://arxiv.org/abs/2604.08417
Abstract
LLM 已被证明是自动漏洞检测的有前景手段, 但以往大多数研究仅在单个函数范围内检测漏洞, 忽视了与跨过程依赖相关的问题。这类研究遗漏了那些由跨函数的数据流与控制流引发的漏洞, 因此利用调用者与被调用者提供的上下文, 可能有助于识别此类漏洞。本文实证研究了四种现代 LLM(Claude Haiku 4.5、GPT-4.1 Mini、GPT-5 Mini 和 Gemini 3 Flash)在检测与跨过程依赖相关漏洞时的检测效果、推理成本与解释质量。作者基于 ReposVul 数据集中的 509 个漏洞开展实验, 系统性地改变跨过程上下文水平(仅目标函数代码、目标函数加调用者、目标函数加被调用者), 并在 C、C++ 与 Python 上评测这四个模型。结果显示, 对于 C 语言漏洞, Gemini 3 Flash 在成本与效果之间取得了最佳平衡, 在每种配置预估成本仅 0.50 至 0.58 美元时即可达到 F1 ≥ 0.978; Claude Haiku 4.5 则在 93.6% 的评测样本中正确识别并解释了漏洞。总体来看, 这些发现对可跨多编程语言代码库泛化的 AI 辅助安全分析工具设计具有直接启示。
Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot
• 作者: Nicolás E. Díaz Ferreyra, Monika Swetha Gurupathi, Zadia Codabux, Nalin Arachchilage, Riccardo Scandariato • arXiv URL: https://arxiv.org/abs/2604.08352
Abstract
生成式人工智能已经成为许多开发工具的核心组成部分, 例如 GitHub Copilot, 可支持代码补全、文档生成和缺陷检测等多种编程任务。然而, 现有研究已揭示 GenAI 在可靠性、非确定性、偏见与版权侵权等方面存在重要局限与开放问题。以往工作主要聚焦于这类技术在代码生成上的技术性能, 却较少关注软件开发者新出现的担忧, 尤其是安全层面的担忧。本文通过分析开发者和软件爱好者在公开论坛上表达的观点, 探索 GenAI 编码助手的安全顾虑。作者从 Stack Overflow、Reddit 和 Hacker News 三个平台收集了与 GitHub Copilot 安全问题相关的帖子、评论和讨论串, 使用 BERTopic 聚类, 再结合主题分析识别不同类型的安全顾虑。结果归纳出四个主要关注领域: 潜在数据泄露、代码许可、对抗性攻击(如 prompt injection)以及不安全代码建议。这些结果有助于更全面地理解开发者如何看待并使用基于 GenAI 的编码助手, 同时指出了改进其内建安全机制的关键方向。
Can LLMs Deobfuscate Binary Code? A Systematic Analysis of Large Language Models into Pseudocode Deobfuscation
• 作者: Li Hu, Xiuwei Shang, Jieke Shi, Shaoyin Cheng, Junqi Zhang, Gangyang Li, Zhou Yang, Weiming Zhang, David Lo • arXiv URL: https://arxiv.org/abs/2604.08083
Abstract
二进制代码去混淆一直是逆向工程中的基础挑战, 因为混淆广泛用于阻碍分析并隐藏程序逻辑。尽管 LLM 在恢复混淆二进制的语义方面展现出潜力, 但对其有效性的系统评测仍然缺失。本文提出 BinDeObfBench, 这是首个面向 LLM 二进制去混淆的综合基准, 覆盖预编译、编译期和后编译阶段的多种变换。评估结果表明, 去混淆性能更多依赖模型的推理能力和领域专长, 而非模型规模; 针对任务的监督微调持续优于宽泛的领域预训练。推理型模型在严重混淆下仍能保持鲁棒性, 并能跨不同指令集架构与优化级别泛化。上下文学习对标准模型有帮助, 但对推理型模型增益有限。总体而言, 该研究强调了任务特定微调和以推理为核心策略的重要性, 并将 BinDeObfBench 定位为未来二进制去混淆研究的基础平台。
A Comparative Study of Semantic Log Representations for Software Log-based Anomaly Detection
• 作者: Yuqing Wang, Ying Song, Xiaozhou Li, Nana Reinikainen, Mika V. Mäntylä • arXiv URL: https://arxiv.org/abs/2604.08028
Abstract
近期用于日志异常检测的深度学习方法, 越来越依赖语义日志表示, 即先将日志事件的文本内容转换为向量嵌入, 再作为深度模型输入。然而, 这些方法通常作为端到端流水线整体评估, 不同语义表示方式本身的影响仍不清楚。本文在三个公开日志数据集 BGL、Thunderbird 和 Spirit 上, 比较了多种常用语义表示方法, 包括静态词向量 Word2Vec、GloVe、FastText 以及基于 BERT 的上下文嵌入, 并跨多种深度模型评估其在日志事件级异常检测中的表现。作者识别出在 CPU 部署设定下存在效果与效率的权衡: 基于 BERT 的方法效果更好, 但生成日志嵌入耗时显著更长, 限制了其实用性; 静态词向量方法效率高, 但通常效果较弱, 有时难以提供足够检测性能。基于这一发现, 论文提出 QTyBERT, 一种更好平衡这一权衡的新型语义日志表示方法。QTyBERT 利用带系统特定量化的轻量 BERT 变体 SysBE, 在 CPU 上高效编码日志事件, 并使用 CroSysEh 增强嵌入的语义表达能力。CroSysEh 在多个系统的无标签日志上无监督训练, 以捕捉 BERT 嵌入空间底层的语义结构。实验结果表明, 对于所评估的深度模型, 使用 QTyBERT 生成的日志嵌入, 在检测效果上与 BERT 嵌入相当甚至更优, 同时生成时间更接近静态词向量方法。
Log-based, Business-aware REST API Testing
• 作者: Ding Yang, Ruixiang Qian, Zhao Wei, Zhenyu Chen, Chunrong Fang • arXiv URL: https://arxiv.org/abs/2604.08007
Abstract
REST API 支撑微服务间协作, 其中单个 API 的故障就可能拖垮整个微服务系统并造成重大经济损失, 因而 REST API 测试十分重要。要有效测试 REST API, 关键在于充分触达其背后的功能逻辑。现有技术通常利用 REST 规格说明(如 Swagger 或 OpenAPI)中提取的资源约束生成测试用例, 对于资源创建、检索、更新与删除这类简单、业务无关的功能测试效果较好。但对复杂且业务敏感的功能, 仅依赖规格说明的方法往往不足, 因为触发这些功能所需的额外业务约束通常并不出现在 REST 规格中。本文提出 LoBREST, 一种基于历史请求日志(HRLogs)的业务感知 REST API 测试技术, 旨在有效覆盖 REST API 背后的业务敏感功能。LoBREST 首先采用 locality-slicing 策略将 HRLogs 划分为更小的切片, 以获得既紧凑又能保持完整业务约束的操作序列; 然后通过两步增强切片有效性: 一是补充 HRLogs 中缺失操作对应的切片, 二是为切片补全缺失资源; 最后以这些增强后的切片为初始种子执行业务感知 fuzzing, 提升测试充分性。在 17 个真实服务上, LoBREST 相比 Arat-rl、Morest、Deeprest 等 8 个工具表现更优, 在 16 个服务上取得最高操作覆盖率, 在 15 个服务上取得最高行覆盖率, 相比次优方法平均提升分别为 2.1 倍和 1.2 倍, 并发现了 108 个 5XX 类缺陷, 其中 38 个为其他工具均未发现的新缺陷。
AFGNN: API Misuse Detection using Graph Neural Networks and Clustering
• 作者: Ponnampalam Pirapuraj, Tamal Mondal, Sharanya Gupta, Akash Lal, Somak Aditya, Jyothi Vedurada • arXiv URL: https://arxiv.org/abs/2604.07891
Abstract
API 是软件开发中的关键基础设施, 通过复用已有且经过验证的系统帮助新应用集成, 从而节省开发时间并提升软件安全性。尤其是在企业级应用软件开发中, Java 标准库 API 和大量第三方 API 被广泛使用。然而, API 误用仍是缺陷和漏洞的重要来源。由于官方 API 文档中的示例有限, 开发者常依赖在线社区与生成式 AI 模型学习陌生 API, 但这些示例可能将无意错误引入软件。本文提出 AFGNN, 一个利用图神经网络高效检测 Java 代码中 API 误用的新框架。AFGNN 构建了一种新的 API Flow Graph(AFG) 表示, 同时捕捉代码中的 API 执行顺序、数据流与控制流信息, 用于建模 API 使用模式。该方法利用基于 AFG 表示的自监督预训练, 为未知 API 使用样例学习有效嵌入, 再通过聚类识别不同使用模式。基于主流 API 使用数据集的实验表明, AFGNN 显著优于现有最先进的小语言模型和 API 误用检测器。
MIMIC-Py: An Extensible Tool for Personality-Driven Automated Game Testing with Large Language Models
• 作者: Yifei Chen, Sarra Habchi, Lili Wei • arXiv URL: https://arxiv.org/abs/2604.07752
Abstract
现代电子游戏是复杂且具非确定性的系统, 难以进行大规模自动化测试。尽管已有研究表明, 具有人格驱动特征的 LLM 代理能够提升行为多样性与测试覆盖率, 现有工具大多仍停留在研究原型阶段, 缺乏跨游戏复用能力。本文介绍 MIMIC-Py, 一个基于 Python 的自动游戏测试工具, 其目标是将人格驱动的 LLM 代理转化为一个可复用、可扩展的框架。MIMIC-Py 将人格特征暴露为可配置输入, 并采用模块化架构, 将规划、执行与记忆从具体游戏逻辑中解耦。它支持多种交互机制, 允许代理通过暴露的 API 或合成代码与游戏交互。论文描述了 MIMIC-Py 的设计, 并展示其如何以极小的工程代价部署到新的游戏环境中, 从而弥合研究原型与实用自动游戏测试之间的差距。
Towards Counterfactual Explanation and Assertion Inference for CPS Debugging
• 作者: Zaid Ghazal, Hadiza Yusuf, Khouloud Gaaloul • arXiv URL: https://arxiv.org/abs/2604.07679
Abstract
针对网络物理系统(CPS)的大规模仿真验证与确认, 常常会暴露难以解释的失败, 尤其当故障由连续行为与离散行为在特定事件或时刻的交互触发时更是如此。现有调试技术虽然能够将异常定位到特定模型组件, 却难以解释究竟是哪些输入信号值与时序条件触发了违例, 也无法给出只需何种最小且精确计时的变化就能避免故障。本文提出 DeCaF, 一个面向 CPS 调试的反事实引导解释与断言推断框架。给定一个失败测试输入, DeCaF 生成针对输入信号的反事实修改, 使测试从失败转为通过, 并要求这些修改是最小、必要且充分的。随后, 它进一步推断关于输入的逻辑断言, 以可解释形式总结恢复正确性的条件, 且无需访问模型内部细节。该方法结合了三种反事实生成器与两种因果模型, 并推断成功断言。在三个 CPS 案例研究中, KD-Tree 最近邻结合 M5 模型树取得了最高成功率, 而遗传算法结合随机森林则在成功率与因果精度之间表现出最佳平衡。
Program Analysis Guided LLM Agent for Proof-of-Concept Generation
• 作者: Achintya Desai, Md Shafiuzzaman, Wenbo Guo, Tevfik Bultan • arXiv URL: https://arxiv.org/abs/2604.07624
Abstract
软件开发者经常会收到漏洞报告, 并需要通过生成能稳定触发漏洞的 PoC 输入来复现问题。给定软件项目源码以及潜在漏洞的具体代码位置, 自动生成相应 PoC 一直是一个困难的研究问题。符号执行和 fuzzing 等传统技术通常需要专家指导与手工步骤, 且在 PoC 生成上面临可扩展性挑战。尽管近期 LLM 提高了自动化程度与可扩展性, 但其在 PoC 生成任务上的成功率仍然较低。本文提出 PAGENT(Program Analysis Guided proof of concept generation agENT), 这是一种新方法, 能在保持可扩展性的同时, 相比既有结果显著提升自动 PoC 生成成功率。PAGENT 将轻量级、基于规则的静态分析阶段用于提供静态分析指导, 又结合基于 sanitizer 的性能剖析与覆盖率信息提供动态分析指导, 并与 PoC 生成代理协同工作。实验结果表明, 这种混合方法在 PoC 生成任务上相较于此前表现最好的 agentic 方法, 成功率提升了 132%。
Beyond Single Reports: Evaluating Automated ATT&CK Technique Extraction in Multi-Report Campaign Settings
• 作者: Md Nazmul Haque, Sivana Hamer, Brandon Wroblewski, Md Rayhanur Rahman, Laurie Williams • arXiv URL: https://arxiv.org/abs/2604.07470
Abstract
大规模网络攻击通常以“攻击活动(campaign)”的形式出现, 并由多个不同来源的 CTI 报告共同记录, 其中一些报告给出高层技术概览, 另一些则提供技术细节。从报告中提取攻击技术, 对组织识别所需防护控制至关重要, 但手工大规模提取并不现实。现有自动方法大多面向单篇报告, 因而会遗漏许多攻击技术及其对应控制, 形成对攻击行为的碎片化认识。本文旨在通过在多报告攻击活动设定下复现并比较当前最先进的 ATT&CK 技术提取方法, 帮助安全研究者从完整攻击活动中提取技术与控制, 并与以往单报告评估进行对照。作者实证研究了 29 种方法, 覆盖命名实体识别、基于编码器的分类和基于解码器的 LLM 方法, 在 SolarWinds、XZ Utils 与 Log4j 三个重大攻击活动的 90 篇 CTI 报告上, 同时从定量性能与控制覆盖影响两个维度展开分析。结果显示, 聚合多篇 CTI 报告可将 F1 分数较单报告分析提高约 26%, 且多数方法在 5 到 15 篇报告后趋于性能饱和。尽管如此, 整体提取性能仍有限, SolarWinds 的最高 F1 为 78.6%, XZ Utils 为 54.9%。此外, 高达 33.3% 的误分类涉及语义相近且策略重叠的技术, 这类误分类会对控制覆盖产生不成比例的影响。篇幅更长且技术细节更充分的报告通常表现更好, 尽管其可读性分数较低。
An Empirical Analysis of Static Analysis Methods for Detection and Mitigation of Code Library Hallucinations
• 作者: Clarissa Miranda-Pena, Andrew Reeson, Cécile Paris, Josiah Poon, Jonathan K. Kummerfeld • arXiv URL: https://arxiv.org/abs/2604.07755
Abstract
尽管已有大量研究, LLM 在生成代码时仍然会出现幻觉, 尤其是在使用库时更为明显。针对要求使用库的自然语言到代码基准, 作者发现 LLM 生成的代码有 8.1% 到 40% 会调用并不存在的库特性。一个直观的检测与缓解思路是使用静态分析。本文系统分析了静态分析工具在解决这一问题时能做什么、不能做什么。作者发现, 静态分析工具能够检测 16% 到 70% 的全部错误, 以及 14% 到 85% 的库幻觉错误, 具体表现因模型和数据集不同而变化。通过人工分析, 论文进一步识别出那些静态方法在合理情况下也难以捕获的错误类型, 从而为这类方法的能力提供了一个上界, 其上限在 48.5% 到 77% 之间。总体而言, 研究表明静态分析是应对部分幻觉形式的一种低成本手段, 同时也量化了它为何注定无法从根本上彻底解决该问题。
VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery
• 作者: Suyash Mishra • arXiv URL: https://arxiv.org/abs/2604.08291
Abstract
本文将操作系统漏洞发现建模为一个“重复贝叶斯 Stackelberg 搜索博弈”: 其中一个大推理模型(LRM)编排器负责在内核文件、函数与攻击路径之间分配分析预算, 而静态分析器、fuzzer 与 sanitizer 等外部验证器则提供证据。每一轮中, 编排器都会选择目标组件、分析方法和时间预算, 观察工具输出, 更新关于潜在漏洞状态的贝叶斯信念, 然后重新求解博弈, 以最小化战略性攻击者的期望收益。基于这一建模, 作者提出 VCAO(Verifier-Centered Agentic Orchestration), 一个由表面映射、内核内攻击图构建、基于博弈论的文件/函数排序、并行执行代理、级联验证和安全治理器组成的六层体系结构。其基于 DOBSS 推导的 MILP 能在资源约束下, 在不同分析工具之间最优分配预算, 并由在线 Stackelberg 学习给出 的遗憾界。作者在五个 Linux 内核子系统上回放 847 个历史 CVE, 并在上游快照上开展在线发现实验。结果表明, VCAO 在单位预算下发现的有效漏洞数是纯覆盖导向 fuzzing 的 2.7 倍、纯静态分析基线的 1.9 倍、非博弈论多代理流水线的 1.4 倍, 同时将流向人工审查者的误报率降低了 68%。论文同时开源了其仿真框架、合成攻击图生成器和评测 harness。
工程流程、实证研究与科研基础设施
Empirical Evaluation of Taxonomic Trace Links: A Case Study
• 作者: Waleed Abdeen, Michael Unterkalmsteiner, Peter Löwenadler, Parisa Yousefi, Krzysztof Wnuk • arXiv URL: https://arxiv.org/abs/2604.08207
Abstract
可追踪性是知识密集型任务中工件的重要质量属性, 有助于软件工程师构建更高质量的软件。尽管其好处明确, 但在实践中, 由于追踪粒度、缺乏统一工件结构以及责任边界不清等原因, 可追踪性常被忽视。Taxonomic Trace Links(TTL) 通过领域特定分类体系连接源工件与目标工件, 试图应对这些常见挑战。本文在工业环境中对 TTL 进行了实证评估, 以识别其在真实落地中的优势与不足。作者在 Ericsson 某软件产品上开展混合方法研究, 覆盖两个可追踪性使用场景, 建立了 463 个业务用例、64 个测试用例和 277 条 ISO 标准需求之间的追踪链接, 并组织了 3 场从业者焦点小组讨论。结果识别出两个在实践中确有需求的可追踪性场景, 并分别评估 TTL 的适用性: 在其中一个场景下, 从业者认为 TTL 是有用的方案; 在另一个场景下则效果较弱。与此同时, 构建领域特定分类体系以及管理异构工件结构被认为是显著挑战, 而用于创建追踪链接的分类器精度也需要进一步提高。作者据此认为, TTL 是一种有前景且可被实践采用的方法, 但它并非传统 trace link 的替代品, 而是对其补充, 以支持更多可追踪性使用场景并鼓励更早创建追踪链接。
Towards Improving the External Validity of Software Engineering Experiments with Transportability Methods
• 作者: Julian Frattini, Richard Torkar, Robert Feldt, Carlo Furia • arXiv URL: https://arxiv.org/abs/2604.08200
Abstract
受控实验是软件工程中验证因果主张的核心研究方法之一。然而, 要招募到能代表目标总体的参与者样本往往既困难又昂贵, 从而限制了实验结果的外部效度。与此同时, 软件工程研究者通常比实验数据更容易获得规模大得多的观察性数据, 例如来自代码仓库、缺陷跟踪器、日志、问卷和工业过程的数据。Transportability 方法能够将实验研究与观察性研究的数据结合起来, 将实验样本中的结果“运输”到更广泛、也更具代表性的目标总体样本上。尽管这种原则化整合观察数据与实验数据的能力有望显著促进实证软件工程, 但据作者所知, 该方法尚未在软件工程领域被采用。本文作为一篇愿景论文, 旨在推动这种采用。作者介绍了 transportability 方法及其前提条件, 并通过仿真展示其潜力; 随后给出若干软件工程研究场景, 例如如何更有效地以学生替代开发者参与实验。最后, 论文提出了一份路线图与实践指南, 以支持软件工程研究者在实际研究中应用这些方法。作者认为, 在软件工程中采用 transportability 方法, 有助于增强受控实验的外部效度, 并使该领域产生更可靠、也更具实践价值的结果。
Investigating Code Reuse in Software Redesign: A Case Study
• 作者: Xiaowen Zhang, Huaien Zhang, Shin Hwei Tan • arXiv URL: https://arxiv.org/abs/2604.07919
Abstract
软件重设计旨在保持功能不变的前提下改善质量属性, 但在这一过程中对代码和测试的手工复用成本高且容易出错, 尤其在跨仓库重设计中更为明显。本文聚焦静态分析器这一常见存在跨仓库重设计需求的场景, 对正在进行中的 Soot/SootUp 重设计案例开展双向研究。研究采用行动研究方法, 将实证调查与经过验证的开源贡献结合起来。作者发现了四个关键现象: 非线性迁移导致必须双向复用、通过 TODO 延后复用、测试迁移经常被忽视, 以及迁移过程中残留缺陷会继续传播。研究进一步识别出“跟踪原项目与重设计项目中对应的代码和测试”是核心难点, 并据此通过改造克隆检测来推导原始项目与重设计项目之间的代码映射。结合研究中归纳出的语义复用模式, 作者提出 Semantic Alignment Heuristics 与可扩展的层次化检测策略。在 Soot/SootUp 和 FindBugs/SpotBugs 两对重设计项目上的评估表明, 在 SAS 阈值 0.5 下, 该方法能将可能无关的克隆平均减少 33% 至 99%, 并在包含 1749 个样本的基准上将精度最高提升到 86%。此外, 研究团队还向这些重设计项目提交了 5 个 issue 和 10 个 PR, 其中 8 个已经被合并。
sciwrite-lint: Verification Infrastructure for the Age of Science Vibe-Writing
• 作者: Sergey V Samsonau • arXiv URL: https://arxiv.org/abs/2604.08501
Abstract
当前科学界的质量保证主要依赖两种机制, 但二者都不充分。期刊 gatekeeping 声称同时验证研究完整性与贡献, 但实际上更接近于测量声望: 同行评审缓慢、有偏, 即便在顶级期刊也会漏掉伪造引用。开放科学则几乎不提供质量保证: AI 生成文本与公共记录之间唯一的过滤器只剩作者自身的诚信。AI 辅助写作会让这两种问题同时恶化, 因为论文产出速度已超过二者的吸收能力。本文提出第三种方案: 直接测量论文本身。sciwrite-lint 是一个开源的科学论文 linter, 可完全在研究者本机运行, 仅依赖免费公共数据库、单张消费级 GPU 与开源权重模型, 无需将稿件发送到外部服务。该流水线会验证参考文献是否存在、检查撤稿状态、将元数据与规范记录对比、下载并解析被引论文、验证这些论文是否支持文中对它们的陈述, 并继续向下一层核查其参考文献。每条参考文献最终都会获得一个聚合各类验证信号的可靠性分数。作者在 30 篇来自 arXiv 与 bioRxiv 的未见论文上, 结合注入错误和由 LLM 裁决误报的分析, 评估了该流水线。作为实验性扩展, 论文还提出 SciLint Score, 试图将完整性验证与贡献度测量结合起来, 后者把 Popper、Lakatos、Kitcher、Laudan 和 Mayo 等科学哲学框架操作化为可计算的论证结构属性。本文评估的核心是完整性组件, 贡献组件则以实验代码形式开源供社区继续开发。
Top Management Journal Portal: A Real-Source Search and Research Analytics Artifact for UTD-24 and FT50 Journals
• 作者: Chuang Zhao, Hongke Zhao • arXiv URL: https://arxiv.org/abs/2604.07934
Abstract
本文提出 Top Management Journal Portal, 一个可部署的网页工件, 用于检索、监控并解释顶级商业与管理学期刊的文献。该系统整合了 UTD-24 与 Financial Times 50(FT50) 两组期刊池, 从 Crossref REST API 实时抓取文章元数据, 并将学术文献组织成覆盖查询构造、结果筛选、热点提取、引用导出、收藏管理和使用分析的端到端流程。与静态期刊目录或通用学术搜索引擎不同, 该工件明确聚焦高地位管理学期刊, 旨在支持研究者、博士生与实验室负责人在文献 sensemaking 中真正关心的任务: 识别近期工作、发现主题集中趋势, 并将检索结果转化为可执行的研究材料。从架构上看, 该系统强调来源透明、模块化与低成本公共部署, 通过轻量级服务层、多页面客户端界面、可选的大语言模型热点改写能力以及基于 Supabase 的免费持久化路径构成。论文贡献既包括一个可工作的设计工件, 也包括一种面向特定期刊池的学术发现可扩展架构模式, 对信息系统与管理学领域的数字科研基础设施具有启示意义。
MVOS_HSI: A Python Library for Preprocessing Agricultural Crop Hyperspectral Data
• 作者: Rishik Aggarwal, Krisha Joshi, Pappu Kumar Yadav, Jianwei Qin, Thomas F. Burks, Moon S. Kim • arXiv URL: https://arxiv.org/abs/2604.07656
Abstract
高光谱成像(HSI)通过为每个像素捕捉数百个狭窄波段, 能够以非破坏方式揭示植物的生化状态与胁迫信息, 这是常规相机难以做到的。然而, 处理这类数据通常具有较高门槛。许多实验室仍依赖零散且实验室特定的 MATLAB 或 Python 脚本集合, 使得工作流难以共享, 结果也难以复现。MVOS_HSI 是一个开源 Python 库, 提供从原始 ENVI 文件校准到叶片级 HSI 数据处理的端到端流程。该软件既支持基于多个植被指数(NDVI、CIRedEdge 和 GCI)检测并裁剪单叶, 也提供用于机器学习训练时生成变体的数据增强工具, 以及用于可视化光谱曲线的实用函数。MVOS_HSI 可以作为可导入的 Python 库使用, 也可以直接通过命令行运行。通过将这些常见任务整合进统一包中, 它有助于植物表型研究者获得更一致且更可复现的实验结果。
Automatic Generation of Executable BPMN Models from Medical Guidelines
• 作者: Praveen Kumar Menaka Sekar, Ion Matei, Maksym Zhenirovskyy, Hon Yung Wong, Sayuri Kohmura, Shinji Hotta, Akihiro Inomata • arXiv URL: https://arxiv.org/abs/2604.07817
Abstract
本文提出一个端到端流水线, 将医疗政策文档转换为可执行、数据感知的 BPMN 模型, 并利用 LLM 支持基于仿真的政策评估。为应对政策自动数字化中的主要挑战, 该方法提供了四项贡献: 数据约束下的 BPMN 生成与语法自动纠错、可执行增强、KPI 埋点以及基于熵的不确定性检测。作者在日本三个地方政府的糖尿病肾病预防指南上进行了评估: 对每个后端和三种 LLM 各生成 100 个模型, 并让每个模型在 1000 个合成病人上执行。对于结构良好的政策文档, 该流水线实现了与真值 100% 的匹配, 且在逐病人决策上完全一致。在所有实验条件下, 原始逐病人决策一致性均超过 92%, 而熵分数会随文档复杂度单调上升, 表明该检测器能够有效区分没有歧义的政策与需要人工重点澄清的政策。
Jean-Raymond Abrial: A Scientific Biography of a Formal Methods Pioneer
• 作者: Jonathan P. Bowen, Henri Habrias • arXiv URL: https://arxiv.org/abs/2604.07353
Abstract
Jean-Raymond Abrial 是软件与系统工程形式化方法发展史上的核心人物之一。五十余年的职业生涯中, 他在 Z 规格说明记法、B-Method 和 Event-B 的创建及其在大规模工业系统中的应用证明方面都发挥了决定性作用。本文以学术传记的方式系统梳理 Abrial 的生平与工作, 追踪其思想如何从早期对实时语言和数据库的研究, 演进到对形式化规格、精化与证明的奠基性贡献, 再到 Atelier B 和 Rodin 等工业级工具平台的发展。论文将 Abrial 的贡献放在其历史、思想与工业背景中加以定位, 并评估其对软件工程和程序形式化推理的持续影响。
形式化方法、编程语言与智能系统理论
On the Decompositionality of Neural Networks
• 作者: Junyong Lee, Baek-Ryun Seong, Sang-Ki Ko, Andrew Ferraiuolo, Minwoo Kang, Hyuntae Jeon, Seungmin Lim, Jieung Kim • arXiv URL: https://arxiv.org/abs/2604.07868
Abstract
深度神经网络在视觉与自然语言处理任务上已取得最先进性能, 但在实践中, 大多数模型仍被当作整体黑盒函数使用, 这限制了可维护性、按组件优化以及系统化测试与验证。尽管已有大量关于剪枝与经验分解的工作, 该领域仍缺乏一个有原则的语义概念, 来说明“神经网络何时可以被有意义地分解”。本文提出 neural decompositionality, 将其定义为一种对神经网络结构的语义保持抽象。作者的关键观点是, 分解性应通过沿模型决策边界的语义行为保持来刻画, 因为正是决策边界支配了分类结果。这一定义形成了原始模型与其组成部件之间的语义契约, 使分解问题得到严格形式化。在此基础上, 作者提出 SAVED(Semantic-Aware Verification-Driven Decomposition) 框架, 结合针对低逻辑间隔输入的反例挖掘、概率覆盖和结构感知剪枝, 构造保持决策边界语义的分解。该方法在 CNN、语言 Transformer 与视觉 Transformer 上进行了评估。结果显示不同架构之间差异明显: 语言 Transformer 在分解后大体能够保持边界语义, 而视觉模型则经常违反分解性判据, 表明其存在内在限制。总体而言, 本文将分解性建立为一个可形式定义、可经验检验的性质, 为神经网络的模块化推理奠定了基础。
Formally Guaranteed Control Adaptation for ODD-Resilient Autonomous Systems
• 作者: Gricel Vázquez, Calum Imrie, Sepeedeh Shahbeigi, Nawshin Mannan Proma, Tian Gan, Victoria J Hodge, John Molloy, Simos Gerasimou • arXiv URL: https://arxiv.org/abs/2604.07414
Abstract
如何在超出运行设计域(ODD)的场景下保证自主系统的可靠性能, 仍是构建韧性自主系统的主要挑战之一。本文针对这一挑战, 提出一种能够适配概率系统模型以处理 ODD 外场景的方法, 同时并行提供定量保证。该方法可动态扩展系统既有情境能力的覆盖范围, 从而在未预见情形下支持对系统行为的验证与自适应调整。初步结果表明, 该方法能够通过行为适配提高系统可靠性, 并在面对超出 ODD 的未知情形时仍提供形式化保证。
Optimization of 32-bit Unsigned Division by Constants on 64-bit Targets
• 作者: Shigeo Mitsunari, Takashi Hoshino • arXiv URL: https://arxiv.org/abs/2604.07902
Abstract
Granlund 和 Montgomery 曾提出针对常数除法的无符号整数除法优化方法, 后续又被其他工作进一步改进, 如今 GCC、Clang、Microsoft Compiler 和 Apple Clang 等主流编译器都已采用。然而, 对于诸如 x/7 这样的表达式, 现有生成代码主要仍按 32 位 CPU 的思路设计, 因而没有充分利用 64 位处理器能力。本文提出一种面向 64 位 CPU、针对 32 位无符号常数除法的优化方法。作者为 LLVM 和 GCC 实现了补丁, 在后文描述的微基准上, 在 Intel Xeon w9-3495X(Sapphire Rapids) 上获得了 1.67 倍加速, 在 Apple M4 上获得了 1.98 倍加速。LLVM 补丁已被合并进 llvm:main, 说明该方法具有明确的工程实用性。
When Equality Fails as a Rewrite Principle: Provenance and Definedness for Measurement-Bearing Expressions
• 作者: David B. Hulak, Arthur F. Ramos, Ruy J. G. B. de Queiroz • arXiv URL: https://arxiv.org/abs/2604.07626
Abstract
对于带测量语义的表达式, 普通代数相等并不能作为可靠的重写原则。重复使用同一观测会产生区别, 而除法还可能使代数上相等的表达式在定义域上并不一致。本文提出一套统一语义, 同时跟踪来源(provenance)与可定义性(definedness)。其中, 对 token 敏感的 enclosure 语义给出了单向重写与可互换性的判断; 在此基础上, 通过 admissible-domain 精化得到域安全的重写判断, 而相对于支撑集的变体又把局部和全局的可接受性联系起来。若支撑集处处可接受, 则可以通过约化定理恢复基于 enclosure 的理论。恢复定理则将约简、背景扣除和正区间自除等操作内部化。严格性定理表明, 一旦存在可达奇点, 简化就只能保持单向性, 而共域相等对于合法替换而言过于薄弱。文中还给出一个不足性定理, 说明若抹去 token 身份, 仅靠 definedness 无法恢复某些关键差异。所有定义与定理都已在 Lean 4 中完成无 sorry 形式化。
Active Reward Machine Inference From Raw State Trajectories
• 作者: Mohamad Louai Shehab, Antoine Aspeel, Necmiye Ozay • arXiv URL: https://arxiv.org/abs/2604.07480
Abstract
Reward machine 是一种类似自动机的结构, 用于刻画完成多阶段任务所需的记忆。当它与强化学习或最优控制方法结合时, 可用于合成能够完成此类任务的机器人策略。然而, 手工指定 reward machine 本身及其依赖的标签函数往往非常困难, 尤其是后者需要准确抽取高层特征。本文研究如何直接从原始状态与策略信息中学习 reward machine。与已有工作不同, 作者假设无法访问奖励、标签或 machine 节点的观测, 并刻画了在这种信息稀缺设定下, 哪些轨迹数据足以支持 reward machine 学习。随后, 论文又将这一结果扩展到主动学习设定, 通过逐步查询轨迹扩展来提升数据效率, 并间接降低计算成本。文中使用多个 grid world 示例展示了实验结果。
系统基础设施、体系结构与性能优化
Blink: CPU-Free LLM Inference by Delegating the Serving Stack to GPU and SmartNIC
• 作者: Mohammad Siavashi, Mariano Scazzariello, Gerald Q. Maguire Jr., Dejan Kostić, Marco Chiesa • arXiv URL: https://arxiv.org/abs/2604.07609
Abstract
LLM 推理正迅速成为数据中心的核心服务, 但现有推理服务栈仍让主机 CPU 处于关键路径上, 负责编排和逐 token 控制。这使得 LLM 性能对 CPU 干扰高度敏感, 不利于与其他应用共置, 也迫使运营者预留额外 CPU 余量, 从而浪费可用容量。本文提出 Blink, 一种端到端的服务架构, 通过在 SmartNIC 与 GPU 之间重新分配职责, 将主机 CPU 从稳态推理路径中移除。Blink 把请求处理下放到 SmartNIC, 由其通过 RDMA 直接将输入写入 GPU 内存; 同时以常驻 GPU kernel 取代主机驱动调度, 由 GPU 自身执行批处理、调度和 KV-cache 管理。相较于 TensorRT-LLM、vLLM 和 SGLang, Blink 即使在隔离环境下也全面优于基线: 饱和前 P99 TTFT 最多降低 8.47 倍, P99 TPOT 最多降低 3.40 倍, 解码吞吐最多提升 2.1 倍, 每 token 能耗最多下降 48.6%。在 CPU 干扰场景下, Blink 仍能保持稳定性能, 而现有系统性能则可能恶化两个数量级。
PG-MDP: Profile-Guided Memory Dependence Prediction for Area-Constrained Cores
• 作者: Luke Panayi, Johan Jino, Sebastian S. Kim, Alberto Ros, Alexandra Jimborean, Jim Whittaker, Martin Berger, Paul Kelly • arXiv URL: https://arxiv.org/abs/2604.08445
Abstract
内存依赖预测(MDP)是一种推测技术, 用于判断某个 load 是否会依赖某个 store。面积受限的处理器核心在节能或边缘场景中越来越重要, 但它们通常无法为 MDP 表预留足够空间, 这会导致大量“假依赖”: 实际互不相关的内存访问共享预测器项, 从而在流水线中引入不必要停顿。传统解决思路通常是增大预测器规模或复杂度, 但这对面积受限核心并不理想。本文提出, 精准缩小预测器的工作集, 其效果可与扩大预测器相当, 甚至能在极小预测器规模下取得与大预测器接近的性能。作者提出 PG-MDP, 一种软硬协同设计方法, 通过 profile 引导识别那些始终内存独立的 load, 并基于其 opcode 为其打标, 从而将其从 MDP 工作集中移除。这些 load 在发射时跳过对 MDP 的查询, 并尽快执行。在 SPEC2017 CPU intspeed 上, PG-MDP 将 MDP 查询率降低了 79%, 假依赖降低了 77%, 并使一个小型模拟核心的几何平均 IPC 提升 1.47%; 这一结果距离使用 16 倍预测器项的方案仅差 0.5%, 且无需额外面积成本或额外指令带宽。
Valve: Production Online-Offline Inference Colocation with Jointly-Bounded Preemption Latency and Rate
• 作者: Fangyue Liu, Hua Liu, Xinyuan Lyu, Shuo Ai, Hao Liang, Lingpeng Chen, Ziqian Hu, Chong Zha, Xin Jin, Hanmei Luo, Peng Chen • arXiv URL: https://arxiv.org/abs/2604.07874
Abstract
LLM 推理已支撑起大量低时延生产服务, 但其流量的突发性会导致过度预配置, 进而造成资源利用率低下。在线与离线负载共置虽有望利用空闲容量, 但要在生产环境广泛部署, 必须解决两个关键问题: 一是过慢或过频繁的抢占会给在线业务带来显著干扰, 二是不同模型共置及抢占支持往往需要大规模修改框架和驱动。本文提出 Valve, 一个面向生产环境的共置系统, 同时对抢占时延与抢占频率进行有界控制。具体而言, Valve 允许在线请求至多触发一次亚毫秒级计算抢占, 并支持限速的子层级内存回收。其 GPU 运行时通过通道控制的计算隔离、无缺页的内存回收与动态内存预留, 提供上述保证。Valve 的部署非常实用, 只需修改 1 行驱动代码与 20 行框架补丁。该系统已在生产环境的 8054 块 GPU 上部署, 将集群利用率提升了 34.6%, 相当于节省 2170 块 GPU; 同时对在线业务影响极小, 在各类工作负载上仅带来小于 5% 的 TTFT 增加和小于 2% 的 TPOT 增加。
A Hardware-Anchored Privacy Middleware for PII Sharing Across Heterogeneous Embedded Consumer Devices
• 作者: Aditya Sabbineni, Pravin Nagare, Devendra Dahiphale, Preetam Dedu, Willison Lopes • arXiv URL: https://arxiv.org/abs/2604.07839
Abstract
物联网与智能家居生态的迅速扩张, 使智能电视、游戏主机和机顶盒等消费电子设备上的用户数据管理日益碎片化。当前这些设备的 onboarding 流程通常既需要繁琐的手工输入, 又缺乏透明的数据共享机制。本文提出 User Data Sharing System(UDSS), 一个与平台无关的框架, 用于在设备平台与第三方应用之间实现安全、以隐私为先的个人可识别信息(PII)交换。该系统实现了 Contextual Scope Enforcement(CSE) 机制, 能根据用户意图以编程方式限制数据暴露范围, 特别是区分登录与注册这两类工作流。不同于 FIDO2/WebAuthn 这类依赖云端锚定身份的方案, UDSS 面向共享、以设备为中心的消费电子环境设计, 因而不假设持久的“用户到设备”绑定。论文还提出一种分层访问模型, 用于在开发者需求与 GDPR/CCPA 等监管合规之间取得平衡。作者在基于 ARMv8 Linux 的参考中间件上实现了概念验证, 结果表明 UDSS 可将用户 onboarding 时延降低 65%, 并通过协议层面的数据最小化显著降低 PII 过度暴露风险。该框架为异构消费电子市场中的身份管理提供了一种标准化路径。
