利用大型语言模型生成基础设施代码的调查

Mar, 2024

利用大型语言模型生成基础设施代码的调查

A Survey of using Large Language Models for Generating Infrastructure as Code

Kalahasti Ganesh Srivatsa, Sabyasachi Mukhopadhyay, Ganesh Katrapati, Manish Shrivastava

TL;DR基础设施即代码（IaC）是一种在产业中获得显著重视的革命性方法，该方法通过使用机器可读代码来管理和提供 IT 基础设施，实现自动化、环境一致性、可重复性、版本控制、错误减少和可伸缩性提升。本研究调查了使用大型语言模型（LLMs）来解决自动生成 IaC 配置的问题的可行性，并深入探讨了 IaC 的细节、不同平台上的使用、挑战以及 LLMs 在代码生成方面的重要性，同时提出了这一领域的挑战并强调了未来研究的范围。

Abstract

infrastructure as code (IaC) is a revolutionary approach which has gained significant prominence in the Industry. IaC manages and provisions IT infrastructure using machine-readable code by enabling automation, c

infrastructure as code automation large language models code-generation future research

发现论文，激发创造

如果 LLM 是巫师，那么代码就是魔棒：关于代码如何赋予大语言模型作为智能代理的调查

通过将代码集成到大型语言模型的训练数据中，可以提高语言模型的代码生成能力、推理能力以及生成结构化和精确的中间步骤，并将其转化为智能代理在复杂自然语言任务中的应用。

Jan, 2024

上下文语言学习：结构和算法

通过研究在背景语境中的大规模神经语言模型对正则语言的学习，我们展示了 Transformers 相对于递归或卷积模型在 in-context 语言学习任务上的显著优势，并提出硬连接高阶归纳头到递归和卷积模型可改善这个任务和自然语言建模的性能。

Jan, 2024

LLM 和基础设施即代码案例

利用生成式 LLM 将人类描述转化为代码，本文研究生成和管理 Ansible YAML 角色和 playbooks 的解决方案，聚焦于可行的发展方向和潜在的工业应用。

Sep, 2023

利用大型语言模型生成的代码增强网络管理

利用大语言模型从自然语言查询生成任务特定代码的一种新方法，解决了网络管理中的可解释性、可扩展性和隐私问题，并且展示了高准确性、成本效益和进一步增强的潜力。

Aug, 2023

关于代码生成的大型语言模型调查

基于大规模语言模型的代码生成领域的综述，介绍了对 LLMs 在代码生成领域的最新进展、数据处理、性能评估、实际应用，对学术与实践之间的差距进行了分析，提出了关键挑战和机遇，并提供了一个资源网站以记录和传播该领域的最新进展。

Jun, 2024

探索大型语言模型用于代码解释

使用各种大型语言模型自动生成代码片段的自然语言摘要，研究结果表明，代码语言模型优于其通用模型，而零 - shot 方法在训练集和测试集之间分布不同的数据集上取得了更好的结果。

Oct, 2023

LLM4PLC：工控系统中基于大型语言模型的可验证 PLC 编程

提出 LLM4PLC 的用户引导迭代流程，通过用户反馈和外部验证工具来改善大型语言模型（LLM）生成的代码的可验证性，提高成功生成的比例并提高代码质量。

Jan, 2024

利用大型语言模型增强自动化代码漏洞修复

研究致力于自动修复代码漏洞的复杂挑战，引入了一种新的代码修改表示格式，使用了先进的大型语言模型（如 Code Llama 和 Mistral）。这些模型在 C 代码漏洞数据集上进行了微调，显着提高了自动代码修复技术的准确性和适应性。研究还对当前的评估指标（如完美预测）进行了关键评估，并强调了在真实场景中反映自动修复模型真正能力的局限性。研究强调了在代码修复任务中提高 LLMs 效果的数据集完整性和训练样本缺失测试数据集的重要性。此工作对数字安全的贡献不仅体现在提高代码安全方面的潜力上，而且推动了这些关键领域的进一步探索与研究。

Jan, 2024

基于大型语言模型的建筑能源系统解释性机器学习控制

通过结合 Shapley 值和大型语言模型（LLM）的特点，本文研究了可解释的机器学习（IML）在 HVAC 系统中的应用，以提高 MLC 的可信度和工业应用。作者通过案例研究在虚拟试验平台上展示了开发的 IML 框架在需求响应事件中的模型预测控制上的可行性，并证明该框架按照基于规则的原理生成和解释控制信号。

Feb, 2024

软件工程项目中对 LLMs 的使用和感知的实证研究

论文研究了大型语言模型（LLMs）在学术软件工程项目中的实用性，包括 AI 生成的代码、代码生成的提示以及将代码集成到代码库中的人工干预水平。研究结果表明，LLMs 在软件开发的早期阶段，特别是在生成基础代码结构和语法、错误调试方面，可以发挥重要作用。这些发现为我们提供了一个有效利用 LLMs 提高软件工程学生的生产力的框架，并强调了将教育重点转向为学生成功进行人工智能协作的必要性。

Jan, 2024