本研究推出了SwallowCode和SwallowMath两个开放许可数据集，旨在解决大型语言模型在程序合成和数学推理中的性能限制，从而显著提升模型的准确性。

本研究提出了TheoryCoder，通过层次化理论表示和程序合成方法，提高了强化学习系统在新领域的样本效率和适应性。该方法在复杂环境中表现优于直接合成策略。

本研究提出了一种新的多臂老虎机算法CYANEA，旨在解决大型语言模型在程序合成中的表现不均衡问题。该算法优化了符号求解器和提示选择，能够提高37.2%的查询解决率。

本研究提出了一种新算法EcoSearch，旨在解决程序合成中的搜索空间膨胀问题。该算法确保计算量恒定，提高了搜索效率，并在两个经典领域中优于前代算法。

本研究提出了一种潜在程序网络（LPN）算法，旨在解决程序合成中的单次训练问题。LPN在ARC-AGI基准测试中表现出色，能够适应未见任务，展现出强大潜力。

本文探讨了大型语言模型（LLMs）在程序合成和自动修复中的应用，提出了新方法RAP-Gen和RepairLLaMA，显著提高了修复效率。研究表明，通过优化提示和数据集，LLMs能够更有效地生成补丁，减少开发者的调试工作。

本文探讨了大型语言模型（LLMs）在程序合成中的应用，包括代码生成、调试和评估。研究表明，LLMs在处理简单程序时表现良好，但在复杂任务中仍面临挑战。引入新的评估框架和基准测试后，研究揭示了LLMs在理解复杂指令和多函数调用方面的不足，强调了进一步改进的必要性。

本文介绍了LAPS技术，通过自然语言注释引导程序合成，提升搜索效率和泛化性。研究探讨了神经符号程序合成、数学推理及抽象概念的可解释性，提出了NEUMANN推理机制和RAISE解答生成方法，以提高人工智能在抽象推理任务中的表现，并发布了arckit Python库以促进ARC研究。

本文探讨了大型语言模型在程序合成中的局限性，并评估其在新基准测试中的表现。研究发现，模型性能与规模呈对数线性关系，提出通过改进数据质量和微调方法来提升代码编辑能力。实验表明，使用高质量数据进行微调优于原始数据集，开源模型在特定任务上可显著提高性能。

本文探讨了通过强化学习（RLHF）提升大型语言模型（LLM）程序合成能力的方法。研究结合了多粒度单元测试反馈、PPO算法和奖励模型，以优化模型生成高质量代码的能力。结果表明，RLHF在对齐人类偏好方面有效，并提出了改进策略模型与奖励模型交互的概念，以提高性能。

本文探讨了程序语言模型的语义理解能力，提出了多种提升程序合成准确性和可靠性的方法，包括基于自然语言的程序生成和语法规则翻译。研究表明，模型能够生成更短且更正确的程序，并在多个领域表现出色。

本文探讨了大型语言模型在编程教育中的应用，特别是其生成个性化反馈的能力。研究评估了不同模型在可视化编程和程序合成中的表现，发现存在性能不足的问题。通过微调和新技术，旨在提升模型在编程任务中的有效性和质量，推动编程教育的进步。

本文介绍了一种结合模式识别和显式推理的程序自动合成方法，利用新颖的中间表示和训练算法，实现自学习。研究表明，该方法在合成正则表达式任务中性能提升23%，并探讨了深度学习在程序合成中的应用及未来研究方向。

该文综述神经程序分析研究：Transformer语言模型处理代码在AST标记和漏洞识别上表现良好，但在语义保持变换下泛化有限。相关工作报告了代码自然化预训练、自动修复、编程风格学习及程序合成数据集，最佳模型准确率仅8.8%，表明该领域仍具挑战。

该文综述大语言模型在程序合成与验证中的研究：LLM4PLC利用用户反馈和外部验证工具提升代码可验证性；结合LLM与静态分析、蒙特卡洛树搜索、测试驱动开发及SMT求解器，迭代生成并修复代码，提高正确性与可靠性，并优化RTL代码生成的功耗、性能与面积。

该文综述神经符号与组合视觉研究，利用程序生成关系丰富的视觉对象，比较人类与模型差异，指出新概念形成依赖组合与抽象。介绍了ConceptWorld、VISPROG、程序合成、无监督概念发现、CompMap、ConceptGAN及可微神经符号等方法，用于组合泛化、规则学习与编程教育，并取得优于基线的表现。

该文综述可解释AI研究，涵盖可调试Transformer、机制性可解释性、脑启发模块化训练、程序合成与神经程序解释器，并探讨大模型数学推理及GPT-2注意力头逆向工程，主张发展内部可解释性框架。

该文汇总多项代码大模型研究：DeepSeek LLM 67B在代码、数学和推理上超越LLaMA-2 70B，其Chat版优于GPT-3.5；PolyCoder在C语言上胜过Codex；StarCoder等开源模型推动安全发布；此外还涉及代码翻译、程序合成与语义代码搜索等进展。

该文汇总多项进化计算研究：用进化方法改进程序合成工具SuSLik的搜索策略；用遗传算法从解码导出工业过程代码；提升数字量子模拟保真度与资源效率；用语法引导遗传编程发现多重网格方法求解偏微分方程；用量子神经网络搜索量子电路实现态与门变换；用进化博弈论解决多智能体路径规划，路径更短且更快；用差分进化自动优化实验参数；用模糊神经网络与NSGA-II优化异构MPSoC任务调度；比较多目标遗传算法中的表观遗传机制；并给出GP求解布尔问题的运行时间上界。