C Cpp Programming Languages
PulseAugur coverage of C Cpp Programming Languages — every cluster mentioning C Cpp Programming Languages across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI框架HLS-Seek优化硬件设计生成
研究人员开发了HLS-Seek，一个用于从C/C++代码生成硬件设计的新颖框架，该框架优先考虑结果质量（QoR），如延迟和资源利用率。该系统利用带有比较代理奖励模型的强化学习，避免了在循环中进行完全综合的需要，并在预测帕累托最优设计方面取得了高精度。HLS-Seek还包含一个感知不确定性的蒙特卡洛Dropout切换机制，以使用真实的综合数据来改进其代理模型，与现有方法相比，从而提高了性能并加快了训练速度。
-
调查揭示人工智能驱动的软件漏洞检测中存在的持续性缺陷
一篇新发表在arXiv上的调查论文详细介绍了使用机器学习进行自动化漏洞检测（ML4AVD）领域中持续存在的挑战和痛点。该论文调查了87项有影响力的工作，确定了十二个相互关联的问题，这些问题阻碍了进展，例如存在缺陷的问题表述、数据集和指标。这些问题产生了自我强化的反馈循环，导致该领域狭隘地专注于函数级别的C/C++漏洞的二元分类，而忽略了漏洞类型预测和对更多编程语言的支持等更广泛的领域。作者提出了具体的建议来解决这些问题，并评估了ML4…
-
Google利用AI协助将C/C++代码重写为Rust以提高内存安全
Google正在探索利用AI协助将C/C++代码依赖项重写为Rust，旨在增强内存安全。该计划侧重于自动化现有代码库的转换过程，可能提高安全性和可维护性。
-
AI 框架 ARQ 精炼 CodeQL 查询以检测 C/C++ 漏洞
研究人员开发了 ARQ，一个利用大型语言模型 (LLM) 自动精炼 CodeQL 查询以检测 C/C++ 程序中漏洞的新框架。这种代理方法利用合成程序的执行基础证据来识别和纠正现有查询中的假阳性和假阴性。ARQ 不需要标记数据集或提交历史，在真阳性检测方面取得了显著改进，最高可达 119.8%，同时保持至少 98.0% 的精确率。精炼后的查询还成功解决了 GitHub 上长期存在的问题，并发现了 libpng 和 zlib 等真实世界…
-
Python 的 MicroPython 和 CircuitPython 正在静默接管物联网和机器人领域
一篇新的研究论文探讨了 MicroPython 和 CircuitPython 在物联网 (IoT) 和机器人领域的日益增长的影响力。尽管 Python 在软件和数据科学领域已确立主导地位，但由于性能和内存限制，嵌入式系统在很大程度上依赖于 C/C++。本文通过分析生态系统增长、实际应用和性能基准，研究了 MicroPython 和 CircuitPython 在多大程度上弥合了这一差距。尽管基准测试显示这些 Python 实现比 C…
-
CyberForge框架生成合成数据以训练网络安全LLM代理
研究人员开发了CyberForge，一个旨在为大型语言模型（LLM）代理生成合成安全训练数据的新颖框架。该框架将经过验证的漏洞注入到真实的C/C++软件项目中，确保注入的代码是可编译的，并且漏洞可以被动态触发。由此产生的数据集包含80个项目中的1034个已验证漏洞，显著提高了LLM代理在SEC-bench和PatchEval等安全基准测试上的性能。
-
HLSmith 框架通过专家指导提升 C/C++ 到 HLS 的翻译效率 · 跟踪 2 个来源
研究人员开发了 HLSmith，一个旨在通过高层次综合 (HLS) 改进 C/C++ 代码到高性能硬件加速器翻译的框架。该系统包含一个编码硬件优化技术的专业知识库、一个模拟专家实践的指导编排流程，以及一个用于适应前沿模型的管道。HLSmith 在基准测试中显著优于之前的代理编排框架（如 ChatHLS），实现了 4.24 倍的几何平均加速比和 100% 的有效设计率，而 ChatHLS 的有效设计率为 57%。
-
SpaceXAI推出Grok 4.5，使用Cursor训练，提供增强的编码和代理能力
SpaceXAI已推出其迄今为止最先进的模型Grok 4.5，专为编码、代理任务和知识工作而设计。该模型在海量数据集上进行了训练，并利用了先进的强化学习技术，据报道在工程任务上表现优于领先模型，并提供了改进的令牌效率和更低的成本。值得注意的是，Grok 4.5是与Cursor结合训练的，整合了用户与代码库和软件工具的交互，这有望增强其在实际开发场景中的能力。
-
用于 C/C++ 漏洞分析的强化学习综述
一项关于使用强化学习（RL）技术进行软件漏洞分析的系统性综述已发表，重点关注 C/C++ 源代码和静态分析。该综述遵循 PRISMA 2020 指南，分析了 2015 年至 2026 年间的 21 项研究。研究发现，大多数研究集中在模糊测试和引导式探索，而在直接漏洞检测或语句级定位方面的工作有限。综述还强调，像控制流图（CFGs）和抽象语法树（ASTs）这样的静态代码表示在代理状态中的利用不足，并且当前的基准测试缺乏可比性。
-
埃隆·马斯克预计Grok通过C/C++重写和GB300优化将获得巨大提升
埃隆·马斯克预计Grok将在大约三个月内实现显著的性能提升。这些提升预计将源于使用C/C++重写整个训练和推理堆栈，这将涉及大幅简化和移除许多软件层。此外，Grok还将针对GB300硬件进行优化，以实现卓越的性能。
-
Eugene Yan 概述了构建人工智能网络安全评估的模式
Eugene Yan 的文章概述了为人工智能模型构建网络安全评估的模式。文章详细介绍了这些基准测试中使用的常见基本要素，包括沙盒化的目标环境、可调整任务难度的输入、代理可用的工具以及用于反馈的评分系统。作者提出了一种细粒度的评分方法，将攻击链分解为子任务，以便除了最终结果之外，还能提供对模型能力的更详细的见解。
-
AI研究提出用于LLM生成软件的“再生变异性”
一篇新的研究论文探讨了“氛围编码”的概念，即大型语言模型（LLM）根据提示生成整个程序，并分析了由此产生的产物中变异性的缺失。作者提出了“再生变异性”（VbR）作为一种新颖的产品线方法，其中LLM根据声明式规范为每个变体生成特定的二进制文件。该方法将变异性从代码本身转移到规范中，为AI生成的软件提供了一个新范例。
-
Ariel-ML工具包支持在多核微控制器上进行基于Rust的并行神经网络推理
一个名为Ariel-ML的新工具包已被开发出来，用于使用嵌入式Rust在多核微控制器上自动化神经网络推理的并行化。该工具包旨在利用各种32位微控制器中存在的异构多核架构的能力，包括Arm Cortex-M、RISC-V和ESP-32系列。基准测试表明，与现有的解决方案相比，Ariel-ML实现了更低的推理延迟，同时保持了与使用C/C++的工具包相当的内存占用。
-
Replit 推出多人调试器和 Node.js 包支持
Replit 推出了面向 C、C++、Node.js、Python 和 Java 的多人优先交互式调试器，允许多个用户实时协作进行代码理解和调试。这项新功能通过允许用户暂停执行、检查变量和共享调试状态，消除了对传统打印语句调试的需求。此外，Replit 还推出了 Node.js 包支持的开放测试版，使开发人员能够轻松地将第三方库集成到他们的项目中。