# 大语言模型代码生成

让ChatGPT、Claude、Gemini和Grok按三档由粗到细的提示词生成PyTorch安全帽佩戴分类训练脚本，在972张平衡图像上各跑20次：十二个配置中十个收敛到0.957至0.967的准确率平台，但最详细的第三档让Gemini和Grok跌到约0.58，脚本仍能运行却不收敛。对照消融显示，从零训练的多尺度卷积结构在两种学习率调度下都失败，而预训练ResNet18骨干在两种调度下都收敛。

让ChatGPT、Claude、Gemini和Grok按三档由粗到细的提示词生成PyTorch安全帽佩戴分类训练脚本，在972张平衡图像上各跑20次：十二个配置中十个收敛到0.957至0.967的准确率平台，但最详细的第三档让Gemini和Grok跌到约0.58，脚本仍能运行却不收敛。对照消融显示，从零训练的多尺度卷积结构在两种学习率调度下都失败，而预训练ResNet18骨干在两种调度下都收敛。

推理模型在思维链里早早写出代码草稿，SecReason在草稿交付前扫描流式token并插入警告，让模型在同一条推理轨迹内改稿，把既安全又通过功能测试的运行比例从不足15%提高到72.8%–98.1%。

推理模型在思维链里早早写出代码草稿，SecReason在草稿交付前扫描流式token并插入警告，让模型在同一条推理轨迹内改稿，把既安全又通过功能测试的运行比例从不足15%提高到72.8%–98.1%。

量子程序由概率输出和领域专用检查器判定对错，因此一段语法正确的测试仍可能与基准结论相反。QTestBench 让模型为每个任务生成语法、语义、行为三类 pytest 测试，再注入候选解，用基准自带的检查器而非测试本身作为真值，在三个验证队列中比较测试判定与检查器标签。五个模型在八个 PennyLane QHack 挑战和十个 Qiskit HumanEval 任务上生成的测试几乎都能执行，但判别力明显落后：QHack 上最佳测试质量 0.71，Qiskit 上仅 0.34，说明可执行性会高估测试质量。

量子程序由概率输出和领域专用检查器判定对错，因此一段语法正确的测试仍可能与基准结论相反。QTestBench 让模型为每个任务生成语法、语义、行为三类 pytest 测试，再注入候选解，用基准自带的检查器而非测试本身作为真值，在三个验证队列中比较测试判定与检查器标签。五个模型在八个 PennyLane QHack 挑战和十个 Qiskit HumanEval 任务上生成的测试几乎都能执行，但判别力明显落后：QHack 上最佳测试质量 0.71，Qiskit 上仅 0.34，说明可执行性会高估测试质量。

代码智能体常把没写清的需求按自己的假设补全，生成看似正确、行为却非用户本意的代码，而事后纠正代价越来越高。CONTRA把澄清拆成两步：先广泛生成候选问题，再用语义过滤和双答案程序执行对比，只留下会稳定改变行为的提问，并结合交互历史决定继续问还是停止。在ClarifyCodeBench上，它与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点。

代码智能体常把没写清的需求按自己的假设补全，生成看似正确、行为却非用户本意的代码，而事后纠正代价越来越高。CONTRA把澄清拆成两步：先广泛生成候选问题，再用语义过滤和双答案程序执行对比，只留下会稳定改变行为的提问，并结合交互历史决定继续问还是停止。在ClarifyCodeBench上，它与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点。

该工作提出“动态上下文适配”：一个由验证智能体从执行轨迹中提取结构化诊断反馈、生成智能体每轮提出多个候选、并以知识图谱提供语义约束、以模拟退火进行非贪心选择的验证—生成循环，用于缓解其称为“静态绑定”的LLM代码生成局限；在八个问题中，该方法在300与600次评估时于七个问题上优于零样本、Reflexion与OpenEvolve（p<0.01），在1000次评估时于主要动机问题（跨耦合优化）取得最佳分数（0.694 对 0.681，p=0.019，d=0.52），消融显示结构化执行反馈是主要驱动因素。

该工作提出“动态上下文适配”：一个由验证智能体从执行轨迹中提取结构化诊断反馈、生成智能体每轮提出多个候选、并以知识图谱提供语义约束、以模拟退火进行非贪心选择的验证—生成循环，用于缓解其称为“静态绑定”的LLM代码生成局限；在八个问题中，该方法在300与600次评估时于七个问题上优于零样本、Reflexion与OpenEvolve（p<0.01），在1000次评估时于主要动机问题（跨耦合优化）取得最佳分数（0.694 对 0.681，p=0.019，d=0.52），消融显示结构化执行反馈是主要驱动因素。