May, 2023

利用上下文变化进行多轮代码自动编辑的协作编辑器

PDF
TL;DR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。
code auto-editingcodet5 modelediting historymulti-round taskpython
发现论文，激发创造
  • CodeEditor：使用预训练模型学习编辑源代码

    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

  • GrACE: 使用相关代码编辑进行生成

    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

  • InstructCoder：赋予语言模型在代码编辑中的能力

    本研究使用大型语言模型（LLMs）和 InstructCoder 数据集，探索用户指令下的代码编辑，涵盖评论插入、代码优化和代码重构等多个隐含任务。实验证明，在 InstructCoder 数据集上对开源 LLMs 进行精细调整，能够大多数情况下正确地编辑代码，展现了前所未有的代码编辑性能水平。

    Oct, 2023

  • 用于建模源代码编辑的神经网络

    本研究开发了多种神经网络模型，利用合成数据测试模型的编辑模式学习能力，从原型生成下一步的编辑行为。文章提出了一种新颖的 “注意力” 和 “指针” 网络的组合模型能够最大化地提高性能和可伸缩性，应用结果初步证明了开发可以习得预测未来编辑的工具的可行性。

    Apr, 2019

  • 基于大型语言模型的多语言代码协同演化

    使用大语言模型（LLMs），将代码更改从一种编程语言翻译成另一种编程语言，通过设计和实现名为 Codeditor 的第一个 LLM，我们发现它在所有常用的自动指标上都大幅超越了现有的方法，并且与现有的生成模型配合使用可以获得更好的性能。

    Jul, 2023

  • 一种检索和编辑框架，用于预测结构化输出

    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

  • 多模态学习编辑源代码

    该研究以三种信息模式来自动生成基于多模态神经机器翻译编辑代码。通过深入研究和分析显示：开发人员的提示作为输入模式可以缩小补丁搜索空间，并在 Top-1 位置生成正确的修补程序，从而胜过现有模型。

    Aug, 2021

  • 基于树状神经模型的代码编辑

    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

  • 大型语言模型是否能编辑？评估其按照编程编辑指令的能力

    通过一个仔细设计的代码编辑任务基准以及结合自然语言指令的训练集，我们评估了几个最先进的大型语言模型，并揭示了现有开源和闭源模型之间的显著差距。同时，我们展示了通过精细调优开源代码语言模型可以显著提高其代码编辑能力。

    Dec, 2023

  • CodeEditorBench: 大型语言模型的代码编辑能力评估

    通过 CodeEditorBench，我们为 LLMs 的代码编辑能力提供了一个可靠的评估平台，其中 19 个 LLMs 的评估结果表明闭源模型（特别是 Gemini-Ultra 和 GPT-4）在 CodeEditorBench 中优于开源模型，并突出了基于问题类型和提示敏感性的模型性能差异。

    Apr, 2024