Dude：用于论文-代码差异检测的双重检测多智能体系统

由 LLM 赋能的论文-代码差异检测已受到越来越多的关注，因为研究投稿的规模超出了人工评审的能力。然而，现有单智能体 LLM 范式有限的上下文容量和单方面的差异检测，导致在检测差异时召回性能不佳。在本文中，我们提出 Dude，首个用于论文-代码差异检测的双重检测多智能体系统。我们发现，论文语言和代码语言的粒度不对称，在多智能体系统设计中引入了过度解释和过度报告的挑战，导致假阳性增加。为了解决这个问题，我们在 Dude 中提出了粒度对齐协商和两阶段显著性过滤机制，有效防止智能体错误报告差异。在真实世界论文-代码差异数据集上的实验结果表明，与基线方法相比，Dude 的召回率和精确率显著提升，最高提升 22.8%，F1 分数最高提升 18.7%。

Dude 是首个面向论文-代码差异检测的双重检测多智能体系统，针对单智能体 LLM 上下文有限、检测片面导致的低召回，以及论文与代码粒度不对称引发的误报问题，提出粒度对齐协商与两阶段显著性过滤机制，在真实数据集上将召回率和精确率最高提升 22.8%，F1 最高提升 18.7%。

• Dude 是首个面向论文-代码差异检测的双重检测多智能体系统，针对单智能体 LLM 上下文有限、检测片面导致的低召回，以及论文与代码粒度不对称引发的误报问题，提出粒度对齐协商与两阶段显著性过滤机制，在真实数据集上将召回率和精确率最高提升 22.8%，F1 最高提升 18.7%。
• 原贴提到：arXiv:2609.03416v1 Announce Type: new Abstract: LLM-empowered paper-code
• 来源：arxiv.org

这是什么信号：这篇 arXiv 论文（arXiv:2609.03416v1，来源 arXiv cs.AI）提出 Dude，把论文-代码差异检测从单智能体 LLM 推进到多智能体系统。它不是简单堆叠多个智能体，而是发现论文语言与代码语言存在粒度不对称，会导致过度解释和过度报告，进而推高假阳性。Dude 用粒度对齐协商和两阶段显著性过滤来约束智能体，抑制误报。

为什么重要：研究投稿量已超出人工评审能力，论文与代码不一致直接影响可复现性。单智能体方案受限于上下文容量，且只做单方面检测，召回率低；多智能体虽然能分工，但若不处理粒度差异，会带来更多误报。Dude 同时提升召回率和精确率，说明多智能体设计的关键不只是并行，而是对齐与过滤。

对谁有价值：科研人员、复现研究者、会议与期刊评审、开源社区维护者，以及构建代码审查、需求-实现一致性检查工具的 AI 工程团队。任何需要把自然语言文档与代码实现做交叉验证的场景，都能从这种双重检测和显著性过滤思路中获得启发。

可以怎么行动：一是关注 Dude 的粒度对齐协商机制，思考如何在自己的多智能体流程中先对齐文档与代码的抽象层级；二是在审查流程中引入两阶段显著性过滤，先过滤低置信差异再让智能体协商，降低误报；三是建立论文-代码差异评估集，用召回率、精确率和 F1 跟踪工具效果，而不是只看单点示例。

风险或限制：该工作目前是 arXiv 预印本，摘要未提及开源实现、数据集细节和跨领域泛化能力；多智能体协商与过滤会带来额外推理成本和延迟；实验提升是相对基线方法，不同学科、不同代码库上的表现可能差异很大。此外，LLM 仍可能产生新的系统性偏差，不能完全替代人工判断。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 arxiv.org 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《Dude：用于论文-代码差异检测的双重检测多智能体系统》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Weijie Liu, Running Zhao, Wenhao Yuan, Jinfeng Xu, Zhanfeng Xu, Xiaoxi Zhang, Edith Cheuk-Han Ngai 原帖