Buchumschlag

Can AI Models Direct Each Other? Organizational Structure as a Probe into Training Limitations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Liu, Rui
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Investigating Training Data Detection in AI Coders
von: Li, Tianlin, et al.
Veröffentlicht: (2025)

A Framework for the Adoption and Integration of Generative AI in Midsize Organizations and Enterprises (FAIGMOE)
von: Weinberg, Abraham Itzhak
Veröffentlicht: (2025)

Let the Barbarians In: How AI Can Accelerate Systems Performance Research
von: Cheng, Audrey, et al.
Veröffentlicht: (2025)

ProgramBench: Can Language Models Rebuild Programs From Scratch?
von: Yang, John, et al.
Veröffentlicht: (2026)

Structure-Aware Corpus Construction and User-Perception-Aligned Metrics for Large-Language-Model Code Completion
von: Liu, Dengfeng, et al.
Veröffentlicht: (2025)

Unveiling Code Pre-Trained Models: Investigating Syntax and Semantics Capacities
von: Ma, Wei, et al.
Veröffentlicht: (2022)

Repository Structure-Aware Training Makes SLMs Better Issue Resolver
von: Ma, Zexiong, et al.
Veröffentlicht: (2024)

GitHub's Copilot Code Review: Can AI Spot Security Flaws Before You Commit?
von: Amro, Amena, et al.
Veröffentlicht: (2025)

Verification Limits Code LLM Training
von: Gureja, Srishti, et al.
Veröffentlicht: (2025)

Can Github issues be solved with Tree Of Thoughts?
von: La Rosa, Ricardo, et al.
Veröffentlicht: (2024)

Can Agents Fix Agent Issues?
von: Rahardja, Alfin Wijaya, et al.
Veröffentlicht: (2025)

CodeFort: Robust Training for Code Generation Models
von: Zhang, Yuhao, et al.
Veröffentlicht: (2024)

Attention Distance: A Novel Metric for Directed Fuzzing with Large Language Models
von: Bin, Wang, et al.
Veröffentlicht: (2025)

AI-Driven Tools in Modern Software Quality Assurance: An Assessment of Benefits, Challenges, and Future Directions
von: Pysmennyi, Ihor, et al.
Veröffentlicht: (2025)

Accuracy Can Lie: On the Impact of Surrogate Model in Configuration Tuning
von: Chen, Pengzhou, et al.
Veröffentlicht: (2025)

Breaking the Myth: Can Small Models Infer Postconditions Too?
von: Zhang, Gehao, et al.
Veröffentlicht: (2025)

Can LLM Generate Regression Tests for Software Commits?
von: Liu, Jing, et al.
Veröffentlicht: (2025)

Large Language Models for In-File Vulnerability Localization Can Be "Lost in the End"
von: Sovrano, Francesco, et al.
Veröffentlicht: (2025)

PostTrainBench: Can LLM Agents Automate LLM Post-Training?
von: Rank, Ben, et al.
Veröffentlicht: (2026)

Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks?
von: Garg, Spandan, et al.
Veröffentlicht: (2026)

The A-R Behavioral Space: Execution-Level Profiling of Tool-Using Language Model Agents in Organizational Deployment
von: Yu, Shasha, et al.
Veröffentlicht: (2026)

LLM Company Policies and Policy Implications in Software Organizations
von: Khojah, Ranim, et al.
Veröffentlicht: (2025)

Structural Enforcement of Statistical Rigor in AI-Driven Discovery: A Functional Architecture
von: Sargsyan, Karen
Veröffentlicht: (2025)

VeriStruct: AI-assisted Automated Verification of Data-Structure Modules in Verus
von: Sun, Chuyue, et al.
Veröffentlicht: (2025)

How Mature is Requirements Engineering for AI-based Systems? A Systematic Mapping Study on Practices, Challenges, and Future Research Directions
von: Habiba, Umm-e-, et al.
Veröffentlicht: (2024)

Generative Language Models Potential for Requirement Engineering Applications: Insights into Current Strengths and Limitations
von: Saleem, Summra, et al.
Veröffentlicht: (2024)

DSTC: Direct Preference Learning with Only Self-Generated Tests and Code to Improve Code LMs
von: Liu, Zhihan, et al.
Veröffentlicht: (2024)

Digital Twins & ZeroConf AI: Structuring Automated Intelligent Pipelines for Industrial Applications
von: Picone, Marco, et al.
Veröffentlicht: (2026)

Querying Large Automotive Software Models: Agentic vs. Direct LLM Approaches
von: Mazur, Lukasz, et al.
Veröffentlicht: (2025)

I Can Find You in Seconds! Leveraging Large Language Models for Code Authorship Attribution
von: Choi, Soohyeon, et al.
Veröffentlicht: (2025)

GenAI for Simulation Model in Model-Based Systems Engineering
von: Zhang, Lin, et al.
Veröffentlicht: (2025)

Your Code Agent Can Grow Alongside You with Structured Memory
von: Deng, Yi-Xuan, et al.
Veröffentlicht: (2026)

Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models
von: Geng, Ziheng, et al.
Veröffentlicht: (2026)

Decentralised Governance-Driven Architecture for Designing Foundation Model based Systems: Exploring the Role of Blockchain in Responsible AI
von: Liu, Yue, et al.
Veröffentlicht: (2023)

An Empirical Investigation of Pre-Trained Deep Learning Model Reuse in the Scientific Process
von: Synovic, Nicholas M., et al.
Veröffentlicht: (2026)

Learning to Debug: LLM-Organized Knowledge Trees for Solving RTL Assertion Failures
von: Bai, Yunsheng, et al.
Veröffentlicht: (2025)

Less is More: Towards Green Code Large Language Models via Unified Structural Pruning
von: Yang, Guang, et al.
Veröffentlicht: (2024)

RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations
von: Li, Hanyu, et al.
Veröffentlicht: (2026)

Contractual Skills: A GovernSpec Design Framework for Enterprise AI Agents
von: Liu, Ting
Veröffentlicht: (2026)

Can an LLM Detect Instances of Microservice Infrastructure Patterns?
von: Duarte, Carlos Eduardo, et al.
Veröffentlicht: (2026)