2026-06-30 · cs.SE arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 · score 8.0 score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。
首个可配置、可复用的工具，用于从真实Java项目中自动创建执行时间改进补丁的基准测试集。
为什么重要
现有性能修复基准多为固定数据集且无法扩展，难以评估自动化工具在真实场景中的表现。该工作提供了可配置的基准构建工具和首个Java性能补丁基准，填补了该领域的空白。
可执行启发
开发者可借鉴其静态分析+动态验证+评估框架的三阶段流水线，构建针对特定编程语言或问题领域的自动化基准测试工具。
去 hype 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。：真实价值在于提供了可复现的基准构建方法论和工具链，而非单纯的数据集。限制在于目前仅针对Java，且依赖GitHub数据，可能无法覆盖企业私有代码库中的性能问题模式。
原题：JETO-Bench: A Reproducible Benchmark for Execution Time Improvement Patches in Java
软件工程基准测试性能优化自动化修复Java
deepseek-ai/DeepSeek-V3.2
2026-06-24 · cs.SE arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 · score 8.0 score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。
提出评估框架，发现LLM在多轮代码精炼对话中功能正确性显著下降。
为什么重要
现实开发中代码生成常伴随多轮迭代精炼，现有基准大多忽略此场景。该研究首次系统量化了LLM在此过程中的功能正确性衰减，揭示了重要工程风险。
可执行启发
开发者需警惕多轮对话后代码功能可能受损；工具链设计应考虑对话历史跟踪与验证。
去 hype 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。：真实价值在于揭示了LLM在多轮交互中的脆弱性，为coding agent设计提供了关键评估维度。限制在于仅关注功能正确性，未涵盖代码质量、可读性等其他维度。
原题：CodeChat-Eval: Evaluating Large Language Models in Multi-Turn Code Refinement Dialogues
代码生成评估多轮对话功能正确性软件工程基准测试
deepseek-ai/DeepSeek-V3.2
2026-06-25 · cs.AI arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 · score 8.0 score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。
首个为LLM智能体提供逐步因果标注的根因分析基准，揭示仅标注结果会掩盖推理失败模式。
为什么重要
现有根因分析数据集仅标注根本原因，缺失因果传播路径，将复杂任务简化为模式匹配。PAVE协议通过前向验证重建因果路径，为评估LLM智能体的长上下文理解、多步推理和工具使用能力提供了更严格的基准。
可执行启发
为构建可信的基于LLM的根因分析智能体，评估需包含逐步因果验证，而非仅看最终结果。
去 hype 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。：真实价值在于为复杂agent任务（如RCA）的评估提供了更精细的监督信号和诊断工具，揭示了‘未接地的诊断’这一关键失败模式。限制在于其基准目前规模较小（500例），且主要面向系统故障场景，方法通用性有待验证。
原题：OpenRCA 2.0: From Outcome Labels to Causal Process Supervision
根因分析智能体评估因果推理基准构建过程监督
deepseek-ai/DeepSeek-V3.2
2026-06-30 · cs.CR arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 · score 8.0 score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。
提出AI-Infra-Guard开源框架，针对AI智能体不同层次（基础设施、协议、行为、模型）匹配相应安全检测范式。
为什么重要
开源AI基础设施（模型服务引擎、智能体平台、MCP协议等）快速发展，但安全防护工具滞后。该框架首次将红队测试系统化分层，覆盖从组件漏洞检测到供应链审计的完整攻击面。
可执行启发
开发者可借鉴分层安全范式设计智能体防护体系；开源框架提供可直接集成的漏洞规则库和审计工具链。
去 hype 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。：真实价值在于系统化分层安全方法论和开源实现，覆盖MCP服务器审计等新兴场景。限制是具体漏洞规则需持续更新，多轮黑盒测试成本较高。
原题：Securing the AI Agent: A Unified Framework for Multi-Layer Agent Red Teaming
AI安全智能体红队测试开源框架MCP协议供应链审计
deepseek-ai/DeepSeek-V3.2
2026-06-30 · cs.CL arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 · score 8.0 score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。
AutoTrainess 是一个语言模型代理，通过结构化接口和规则，自主规划、准备数据、训练和评估模型。
为什么重要
它解决了语言模型自主后训练中的核心挑战，如迭代规划、数据对齐和实验状态管理，将人类经验编码为可执行的约束和流程。这降低了训练过程的人力依赖，提升了自动化训练的可靠性和效率。
可执行启发
开发者可借鉴其将复杂任务分解为结构化接口的方法，用于构建更可靠的AI agent工作流。产品团队可考虑在内部模型训练平台中集成类似的引导规则，以减少人工干预。
去 hype 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。：真实价值在于提供了具体的工程框架（如agent-computer接口库），将训练流程外部化，提高了agent在长期任务中的稳定性和可复现性。限制是依赖于现有模型能力（如GPT-5.4），且基准测试（PostTrainBench）可能未覆盖所有实际场景，泛化性需进一步验证。
原题：AutoTrainess: Teaching Language Models to Improve Language Models Autonomously
AI agent语言模型训练自动化工作流工程框架评测基准
deepseek-ai/DeepSeek-V3.2