在执行点应用安全设计：受治理的安全需求如何影响 AI 生成代码的安全性
研究将来自 SbD-ToE 知识库的安全需求通过 MCP server 在执行点提供给代码生成器，在 DualGauge 的 59 个 Python 任务上，通过全部安全测试的任务占比从 44.1% 升至 78.0%。
#编码
arXiv cs.SEAI 评分3232 arXiv cs.SEAI 评分3737 CABRA 基准揭示：代码理解才是编程智能体的瓶颈
研究者提出 CABRA 编程能力评估基准，以调用图变换从零构建任务，并按函数遍历、搜索、运行时解析、指令遵循四个维度用任务规模参数调节难度。
arXiv cs.SEAI 评分5151 TestJack：用评估器演化审计编码基准，约34.4%的通过样本违反任务要求
研究者提出 TestJack，一个超越固定单元测试的补丁评估框架：针对每个 trial 生成覆盖提示词要求的测试，只保留真实补丁能通过的测试，并重新检查失败样本，使每个确认的失败都有可复现测试支撑。
arXiv cs.SEAI 评分2222 超越类型检查：面向形式化规范生成的整体评估
研究团队构建了统一数据集与评估框架，用于整体评估 LLM 形式化规范生成（SpecGen），数据集包含 350 个 Lean 任务，其中 189 个来自 VERINA、161 个来自 CLEVER，覆盖形式有效性、参考相似性与等价性、行为充分性。
arXiv cs.SEAI 评分2222 LLM 能否模拟新手程序员的错误概念？13 个模型在代码追踪任务上的评估
研究评估了 13 个 LLM 在代码追踪问题上生成、求解、模拟和诊断新手编程错误概念的能力。前沿模型能可靠完成这些任务，但 ≤14B 的小模型在动态执行上表现吃力，代码微调模型在错误概念模拟时会退回正确执行。错误概念诊断在 True/False 格式下显著比开放式生成任务更容易。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、19 种语言的 219 个 pull request。
JetBrains AI BlogAI 评分4242 Ponytail Skill for Claude Code 实测：宣称减少 54% 代码，实测仅 15%
JetBrains 用 80 组配对任务实测 Claude Code 的 Ponytail Skill，宣称减少 54% 代码、22% token、20% 成本、27% 时间，实测仅减少 15% 代码、10.3% 成本和 11% 时间，但这是该系列首个成本节省信号统计显著的工具。