大语言模型生成代码、JSON等结构化内容时，语法约束解码（GCD）虽保证语法正确，却常产出不自然、低质量结果。新方法语法对齐解码（GAD）通过前瞻评估整体输出的合理性，兼顾语法与语义。它适用于代码生成、数据转换和语言解析，但计算慢、实现复杂，对常见语法收益有限，更适合小众或高风险场景。

该文综述代码生成研究，涵盖ChainCoder的从粗到细分步生成Python代码、StepCoder的强化学习课程拆分与未执行代码屏蔽、COMEX的代码视图定制工具，以及利用用户代码、生成模块化子函数、神经符号合成数据、Bandit反馈修复漏洞、Synthesize-Execute-Debug、填充模型评分、形式语法约束解码和COMPCODER编译反馈等方法，这些方法显著提升了生成质量与编译成功率。

该文综述多项研究，涵盖形式语法约束解码提升大模型结构化输出、左角解析器归纳语法、线性无上下文重写系统实现无监督不连续解析、增量成分解析器、从左到右语义解析器、PICARD增量约束解码提升文本到SQL、隐马尔可夫模型中上下文无关文法概率计算、复合概率上下文无关文法无监督语法归纳、从句并行解码提升解析器性能，以及词汇化文法模型提升解析精度。