近年来，嵌入式系统（尤其是快速发展的自动驾驶系统）的复杂度和规模显著增长，推动了机器人操作系统（ROS 2）和多核处理器等软硬件方案的采用。传统手动程序并行化面临数据完整性维护、死锁规避等挑战，而模型驱动开发（MBD）虽能自动化并行化过程，但在ROS 2多输入场景下的集成存在困难。本文提出一种MBD框架，将兼容ROS 2的Simulink模型分为事件驱动型和定时器驱动型，进行针对性并行化。该框架扩

本篇博客围绕“小语言模型（SLM）+量化在自动程序修复（APR）中的应用”展开，梳理了相关论文的核心内容：首先介绍APR的价值和LLM的“算力困境”，再拆解论文的实验设计（14个SLM+2个LLM、QuixBugs数据集、4种量化精度），最后重点解读关键结果——顶尖SLM（Phi-3/Qwen2.5-Coder）能媲美LLM，int8量化是“精度-效率”最优解，并通过问答形式解答开发者关心的核心问

摘要：瀑布模型是软件工程的经典线性开发方法，将软件开发分为需求分析、设计、开发、测试、运行维护5个阶段。每个阶段必须完成后才能进入下一阶段，强调文档化和流程控制。其优势在于流程清晰、易于管理，适合需求稳定的项目；但缺乏灵活性，难以应对需求变更。尽管现代开发方法更灵活，瀑布模型仍是理解软件工程基础的重要框架，尤其适合新手掌握软件开发的基本流程和规范。

本文研究了LLM智能体的**Agentic Code Reasoning（智能体代码推理）** 能力——即无需执行代码，通过迭代探索代码库、追踪依赖完成深度语义分析的能力，并提出**半形式化推理**这一结构化提示方法。该方法通过任务定制化模板，强制智能体明确陈述前提、追踪执行路径、推导形式化结论，避免无依据断言。在补丁等价验证、故障定位、代码问答三大任务中的评估表明，半形式化推理实现了全面的精度提

本研究采用混合方法，以挪威公共部门敏捷组织NAV IT为对象，探究GitHub Copilot对开发者活动与感知生产力的影响。研究分析2年间703个仓库的26,317次非合并提交，对比25名Copilot用户与14名非用户的周级开发数据，并结合13次访谈与63份调查的定性反馈。结果显示：Copilot用户在工具引入前已显著更活跃（提交频率约为非用户2倍），工具使用后客观提交活动无统计显著变化；尽管

该研究系统解析了大语言模型(LLM)越狱攻击的安全威胁。研究首先提出"方法-对象-目标"三要素定义框架，区分正常应答、安全防护和越狱攻击场景；进而从LLM技术演进和安全认知变迁角度，揭示"服务属性与价值观不匹配"的核心矛盾。论文创新性地将攻击方法分为5大类16小类，防御策略归为5种类型，通过AdvBench等数据集验证最优攻击成功率超91%。研究构建了完整的

AI编码工具让开发者快速生成代码，也引发了“低经验Vibe Coder能否替代资深开发者”的问题。本研究分析AIDev数据集1719名Vibe Coder的22953个GitHub PR，将开发者分为低/高经验组，对比贡献规模和PR合并难度。结果显示，低经验组PR的提交次数是高经验组的2.15倍、修改文件数1.47倍，但评审评论数4.52倍、接受率低31%、解决时间5.16倍。研究发现低经验者聚焦

需求间存在固有依赖关系，其识别对软件开发至关重要，但自然语言需求的模糊性、需求规模的扩大使该任务极具挑战，现有方法也存在诸多局限。大语言模型（LLM）在自然语言处理中表现优异，但在需求依赖检测中的应用尚未被探索。本文提出LLM赋能的需求依赖检测方法LEREDD，融合检索增强生成（RAG）和上下文学习（ICL），可直接从自然语言需求中识别多类依赖。在813个标注需求对的实证评估中，LEREDD实现0

本文解读了代码生成模型领域的最新研究——将推理深度作为可控资源进行全生命周期管理。研究指出，当前LLMs在代码生成中面临正确性、延迟和成本的三角矛盾，而通过动态调度"快速思考"与"慢速思考"模式，可在数据生成、基准测试和部署阶段实现最优权衡。该研究为构建更高效、安全的代码生成系统提供了全新思路。

本文介绍了一篇关于“从用户评论自动生成软件可解释性需求与解释”的研究。现代软件越来越复杂，用户常因不理解功能而困惑，但将这些反馈转化为具体改进要求并不容易。该研究提出了一种AI辅助的自动化方法，能从用户评论中提取核心需求，生成结构化的开发要求和界面解释文本，并开发了相应工具。通过对比实验发现，AI生成的解释在清晰度和风格上有优势，但需求的准确性和相关性仍不及人工。研究强调了人机协作的重要性，并提供