CT-Repair：基于代码属性图与时序执行图的多视角智能体程序修复
评分
81提出了CPG+TEG+多智能体联合修复的新范式，并给出了详细的压缩率与修复效果对比，信息增量显著。
方法描述清晰，实验设计严谨（854错误、多基线、消融分析），数据与图表支撑充分。
在真实缺陷数据集上取得超越现有系统的效果，且压缩技术可直接降低LLM调用成本，具有较强工程价值。
论文于2026年7月发布，是最新的APR研究成果，紧跟LLM与软件工程结合的前沿。
arXiv预印本，来自知名学术机构，含完整代码与数据链接，可信度高。
基础分 89.5 × T2 信源权重 ×0.9 = 81
精选线 70已入选精选
精选理由
该论文在方法设计（CPG+TEG+多智能体）和实验验证（854个错误、多基线对比、消融分析）上均达到一流水平，数据详实，创新性强，对APR领域有重要推动。
AI 点评
「CT-Repair给我最大的启发是“不要只堆补丁数量，而是让模型看见程序的灵魂”——通过CPG和TEG让LLM理解代码的静态骨架与动态血统。对于从事AI for SE的研究者和工程师来说，这篇论文不仅提供了可复现的高性能基线，还展示了如何将程序分析工具与LLM巧妙结合，尤其适合对上下文窗口敏感的场景。强烈建议结合他们开源的工具链复现实验。」
速览
大型语言模型（LLM）提升了自动化程序修复（APR）能力，但面临原始执行轨迹庞大冗余、补丁采样缺乏根因多样性等限制。本文提出CT-Repair，一种智能体APR框架，将静态与动态证据表示为可查询的代码属性图（CPG）和时序执行图（TEG）。通过三阶段过滤流水线构建紧凑TEG，三个有限状态机引导的智能体分别从静态、动态和混合视角分析每个错误并生成证据驱动的修复策略，策略引导的生成过程将策略实例化为候选补丁并利用验证反馈优化最佳策略。在Defects4J v3.0的854个Java错误上评估，混合模型配置正确修复489个，受控GPT-5.4-mini配置修复388个，比ReinFix和RepairAgent分别多19和30个。三个视角联合修复比最强单视角多99个错误。过滤流水线将运行时证据压缩，执行过滤平均缩小候选方法范围94.85%，行为过滤进一步减少保留记录55.97%。结果表明结构化运行时证据与多视角推理可在不依赖更大补丁生成预算下提高修复效果。
- CT-Repair 通过代码属性图（CPG）和时序执行图（TEG）统一表示静态与动态程序证据，支持多视角推理。
- 三阶段过滤流水线（执行过滤、行为过滤、TEG构建）将运行时证据压缩至原始规模的5%以下，大幅提高上下文效率。
- 三个有限状态机引导的智能体分别从静态、动态和混合视角生成修复策略，策略引导的补丁生成与验证反馈迭代优化。
- 在Defects4J v3.0上，CT-Repair以GPT-5.4-mini为基座修复388个错误，超过ReinFix和RepairAgent，且多视角联合修复比单视角多99个错误。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
85
精选Setoka：面向异构数据个性化Agent的层级用户理解基准
这篇论文非常值得关注，尤其对于从事个性化Agent、对话系统和记忆增强AI的研究者和工程师。它不仅仅是一个基准，而是从心理学出发定义了用户理解的层级，揭示了现有系统在高层理解上的系统性失败。如果你在设计基于记忆的Agent，这篇文章会提醒你记忆系统需要支持跨时间、跨来源的抽象推理，而不仅仅是检索。
85
精选BAND：高维分布估计的贝叶斯网络回归方法——打破维度诅咒
这篇论文值得所有从事高维统计、概率建模和生成式AI的研究者关注。它从理论上给出了一个简单却有力的答案：稀疏结构能打破维度诅咒，而贝叶斯网络恰好提供了自然框架。相比VAE/GAN这类黑箱方法，BAND可解释性强且收敛有保证，尤其适合工业界对可靠置信区间的需求。如果你是研究时间序列预测或风险管理的，这篇论文可能会改变你处理高维密度估计的方式。
84
精选循环一致与不确定性感知的托卡马克边缘等离子体神经代理模型
这篇论文值得关注，因为它展示了如何将先进的AI技术（循环一致性、不确定性量化）直接用于解决核聚变中的核心计算瓶颈。对于聚变领域的研究人员和工程师，这是一个能在不牺牲精度的前提下将模拟速度提升数个数量级的实用工具；对于AI从业者，它提供了一个科学应用中自监督学习和逆问题求解的优秀案例。
83
精选等变学习可迁移的三维经典密度泛函
这篇论文最值得关注的点在于，它把机器学习和统计力学的核心难题直接对接，用等变网络学出了一个可迁移的密度泛函，而且不依赖任何标签。对于做液体物理或软物质的同行，这可能是新的研究范式：以后是不是不用再针对每个体系从头做模拟了？对于AI研究者，这也展示了如何将物理对称性和变分原理嵌入模型，而不是单纯拟合数据。建议重点读一下方法部分，尤其是等变性和变分一致性的实现方式，那才是真正的精髓。
83
精选c-Rectified Flow 的计算与统计保证
这篇论文真正把整流流从“经验好用”推向了“理论可控”，对做生成模型底层算法的人尤其重要。如果你在调 FLUX 或 SD3 这类管线，理解普通整流流在协方差不可交换时可能失效，能帮你避开一些隐蔽的训练陷阱。
83
精选从高保真UMI数据学习可部署操作策略
这篇论文最亮眼的地方是证明了纯无机器人数据也能达到与真实遥操作相当的性能，彻底打破了后训练阶段必须依赖少量真实数据的惯例。对于想降低硬件成本的研究组和工业机器人应用开发者来说，HiFi-UMI的数据生产方案和开源数据集是直接可用的资源。建议关注其头戴式SLAM和微秒同步的工程细节，这些是精度达标的关键。
83
精选资本市场LLM可靠性评分：从“看似合理”到“可银行化”
这篇论文对金融圈和AI圈都很有价值：它给出了一个可操作的、面向实际工作流的评估框架，比泛泛的基准更贴近真实需求。如果你在金融科技公司做LLM落地，或者负责模型的“可解释性”和“可审计性”，这篇值得细读。决策有用性维度的发现尤其值得关注——评审们一致认为这是关键，但不同模型表现差异最大。
83
精选优化器状态应放在哪里？面向内存高效MoE训练的分层状态分配
这篇论文对训练MoE模型的团队非常有价值：它证明了通过精细的优化器状态分配，可以在不牺牲精度的情况下大幅降低显存占用，甚至还能提升性能。尤其适合那些受限于40GB或80GB GPU显存的实验室或企业。值得仔细阅读其分层策略和动量保留的消融分析，可为实际训练框架（如DeepSpeed、Megatron）提供优化方向。