AI 把你那段 Python 改成 JS，错在哪，有人认真数过了。
这周值得收的就一条，就这个。收不满，不硬凑。
论文 10 月 20 日挂上 arXiv，编号 2610.27868，主分类 cs.SE。三个作者，做的是跨语言代码翻译里的幻觉。
先把场景说清楚。代码翻译不是“帮我写段代码”，是“把我这段 Python 改成 JS，功能别动”。这活儿听着比从零生成简单，很多人默认它稳。
论文说不稳。
它把这类场景下的幻觉拆成三类。生成的代码跟源程序语义对不上。违反目标语言自己的规则。引入跟上下文不一致的依赖。
三类里最阴的是第一类。因为它不报错。
举个具体的。整数除法，Python 里 -7 // 2 得 -4，C 里 -7 / 2 得 -3。两边都合法，翻过去结果就变了。字符串编码、日期时区、数组越界，换个语言就是另一套默认行为。
语法挑不出毛病，编译器不吭声，跑起来也不崩。只是算出来的东西不对。
论文里那句话我记到现在：翻译任务里这种偏移危害更大，因为它可以在不报错的前提下改掉程序行为。
这句话该被更多玩 vibe coding 的人看见。自然语言模型胡编，你读一遍能觉出不对。代码胡编，很多时候得跑起来、对一遍数据才知道。
第二类其实最好办，编译器替你抓。第三类烦一点，它给你装了个项目里根本没有的包，或者调了隔壁文件里不存在的函数，报错要等到运行时。第一类最麻烦，什么都正常，就结果不对。
再说动机。既有的幻觉研究，大头在自然语言生成和代码生成两头。跨语言翻译夹在中间，形态和分布一直没被系统刻画。夹在中间的事最容易没人管，这次有人管了。
规模是这样：三个基准数据集，六组语言对，七个模型，人工标注 13,919 个幻觉案例。
一万三千多条，人工标。这个数字我看了两遍。这种活没人爱干，标完还得交叉核对，标错一条就污染整个统计。现在太多论文靠模型自己给自己打分，看到“人工标注”四个字，我先敬一分。
它比多刷两个点的榜单分数有用。涨分的消息传得飞快，数错误的活没人转。你真上手用的时候，卡你的从来不是“这个模型比那个高两分”，是它错的时候你看不出来。
论文后半段提了个缓解框架，叫 HaluCodeTran。名字唬人，拆开是两招。
一招，翻译之前先从库里检索几条相似的翻译示例，一起塞进上下文。用一句话讲，给它找几道类似的题，让它照着做。
另一招，让它按那张分类表自查一遍，哪条踩了就改。用一句话讲，给它一张错误清单，让它自己核对。
这两招，在 IDE 里干过活的人都在手动做。区别在于他们把它写成了流程，还测了。
但我更在意那张分类表。框架要跑实验，要有算力，要能复现。分类表是免费的。你把那三条抄下来，当自己的检查清单，比换个模型管用。
简单说，那三类错，本质上是三句问话。这段代码跟原来那段，行为一样吗。换个语言，这行还合法吗。它引用的东西，我项目里真的有吗。
三句问完，能挡掉一大半。
也补一句它没解决的。这论文给的是刻画和基线，不是“从此不出错”。用它的框架是在降概率，不是消除。谁拿这个当免检章，那是看错了。
还有一句实话。它那个反思式精炼具体怎么实现的，我只看了个大概，没吃透。先放在这里，等我弄明白再补一句。
还有个细节我没深挖。论文按翻译方向切了幻觉分布，不同方向错的类型不一样。具体结论我没细看，不敢乱讲。
本周就这些。
上面那条你要是试过，或者觉得我讲错了，欢迎告诉我。讲错的我补，没讲清的我改。
下周见。