本文通过 Coeditor 模型采用一系列的技术手段，包括 CodeT5 模型和编辑历史的利用，使得代码的自动编辑任务在单轮和多轮任务中都能得到良好地解决。该模型在 Python 开源项目中得到验证，并可作为 VSCode 插件进行互动式使用。

May, 2023

我们提出了一种结合静态分析和语言模型预测词汇分布的方法，以实现代码完成实时性、准确性及有效性，提高模型的适用性与可用性。

Apr, 2020

使用先前的代码编辑知识赋予了智能代码生成大型语言模型 (LLMs) 先验知识，该模型的生成能力有助于解决代码更改的多样性以及对前期编辑的依赖，与常见的符号和神经方法相比，该方法使 LLMs 的性能显著提高了 29％和 54％。

May, 2023

本研究通过提出一种基于树形神经网络的方法，实现了从海量开源代码中自动学习提取代码改变模式，并提出了一种名为 CODIT 的代码改变建议引擎，在实验中表现良好，能够有效地学习和建议代码改变和 BUG 修复方法。

Sep, 2018

该论文描述了一个改进搜索项目可发现性的机器学习方法，并分享了在这个过程中遇到的障碍以及如何克服它们。

Jan, 2024

使用机器学习方法 ECHO，通过分析抽象语法树中的模式，自动重复使用教育代码审查中的反馈，以解决编程教育中提供人工反馈的挑战。研究结果表明，ECHO 能够准确且快速地预测适当的反馈注释，大大减少了教育环境中提供人工反馈所需的时间和工作量。

Apr, 2024

本文研究了在 IDE 中使用机器学习代码生成 / 检索技术对开发工作流程和体验产生的影响，设计了一款混合代码生成和检索的插件，并通过用户测试发现虽然开发者的体验得到了改善，但是对于提高生产率、代码质量和程序正确性等方面的具体效果并不确定，同时分析了需要改进的地方和开发者偏好。

Jan, 2021

本研究提出了一种专门针对代码编辑的预训练任务，并提出了一个名为 CodeEditor 的有效预训练代码编辑模型。 通过该任务的预训练进一步提高了代码编辑模型的性能和泛化能力，并优于 SOTA 基线。

Oct, 2022

代码表示和可视化工具 CodeLens 支持多种编程语言的源代码，具备多种代码表示方法，并提供了可视化交互界面和模型输入展示功能。

Jul, 2023

通过检索训练样本并进行编辑来生成复杂输出的方法，特别是源代码生成，最近已经被广泛使用。本文提出了一种有效的方法，即使用基于任务的嵌入式检索模型，使生成器基于输入直接编辑生成输出，且在新的 GitHub Python 代码和 Hearthstone 卡牌基准模型上实现了改进效果。

Dec, 2018