SAPS是一种神经网络模型，利用抽象语法树、预训练的词向量和双向多层LSTM等方法，将自然语言描述转换成可执行代码，其准确率超过92％，不需要后处理，是一种实现程序合成的高效方法。

Oct, 2018

本文概述了自然语言处理与程序语言之间翻译意图的研究进展，重点介绍了自然语言语义分析和程序逻辑综合的技术、神经符号方法、架构、监督方法以及代码生成的框架，并分析了该领域存在的一些尚未解决的问题。

Apr, 2021

本文介绍了一种基于大型语言模型的程序合成方法，其中所训练的模型在自然语言处理和编程语言数据上具有竞争力，以及构建的开放式基准Multi-Turn Programming Benchmark，该基准将单个程序分解为多个提示，从而显着提高了程序综合的准确性。本文提供了JAXFORMER的开放源码，以便更广泛地使用。

Mar, 2022

本文提出了一种新的预训练目标——源代码的自然化，在大规模的自然代码库中通过引入非自然代码形式的六类语义保持变换，来训练生成等效但更加自然的代码，进一步提升了自然代码的统计学习能力，实现了三种软件工程任务的生成，翻译和细化，达到了CodeT5的水平。

Jun, 2022

DocPrompting是一种自然语言到代码生成的方法，利用文档（documentation）明确地生成代码。通过应用于各种编程语言，我们证明了它可以改进自然语言到代码模型，可以提高2.85%的绝对正确率。

Jul, 2022

提出了一种整合示例编程和文本代码系统的方法，称为文本引导分层综合模块化程序 (MPaTHS)，用于任务导向对话问题，并通过程序表示进行了演示。

Nov, 2022

该研究论文综述了自然语言处理技术的利用，重点关注使用大型代码训练的基于Transformer的大型语言模型在AI辅助编程任务领域中的应用。这些模型在包括代码生成、代码补全、代码翻译、代码概述、缺陷检测和克隆检测等AI辅助编程应用中扮演着关键角色，而其中值得注意的例子包括由OpenAI的Codex和DeepMind AlphaCode提供支持的GitHub Copilot。本文概述了主要的大型语言模型及其在与AI辅助编程相关的下游任务中的应用，并探讨了在这些应用中结合NLP技术和软件自然性面临的挑战和机遇，同时讨论了将AI辅助编程能力拓展到苹果的Xcode移动软件开发环境中的问题和机会，以使开发人员能够获得更先进的编码辅助，并使软件开发流程更加高效。

Jul, 2023

使用LLM4nl2post将非正式自然语言转化为形式化方法的后置条件，并通过验证度量在质量和生成的后置条件的可区分性方面进行比较。结果显示，这些后置条件通常是正确的且能够区分错误的代码，并且通过LLMs进行LLM4nl2post有潜力在实践中发挥重要作用，在Defects4J中成功捕获了70个真实世界历史BUG。

Oct, 2023

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

通过引入一种中间语言的设计，使得大型语言模型（LLMs）能够自动生成VLPLs中的句法正确的代码，从而提高代码生成的性能。

Jun, 2024