Aug, 2024

通过设计推理增强基于大语言模型的自动程序修复

HTML
PDF
TL;DR本研究解决了自动程序修复（APR）在实际应用中的低效问题，提出了一种新方法DRCodePilot，结合设计推理（DR）改善GPT-4-Turbo的修复能力。实验证明，该方法的全匹配率比直接使用GPT-4提高了4.7倍，显示出设计推理在提高其他模型（如CodeLlama、GPT-3.5和GPT-4）修复精准度方面的潜力，推动了APR领域的新进展。
发现论文，激发创造
  • 自动程序修复的代码感知神经机器翻译(CURE)

    提出了一种名为CURE的新型自动程序修复技术，通过预先训练编程语言模型和设计新的基于代码的搜索策略来解决现有神经机器翻译方法存在的限制，CURE技术在两个广泛使用的基准测试中表现出了优异的修复效果。

    Feb, 2021

  • 继续交谈：使用ChatGPT每个0.42美元修复了337个错误中的162个

    ChatRepair是第一个全自动、基于会话的自动程序修复方法，它以对话方式交替进行修补生成和直接反馈以实现自动程序修复。

    Apr, 2023

  • 揭秘GPT自我修复代码生成

    本文分析了 GPT-3.5 和 GPT-4 在 APPs 数据集上自我修复的能力，发现只在 GPT-4 上看到了自我修复的有效性，并且发现自我修复被反馈阶段所限制。

    Jun, 2023

  • RAP-Gen：用CodeT5进行检索增强的修补补丁生成自动程序修复

    自动程序修复是减少开发人员手动调试努力并提高软件可靠性的关键。本文提出了一种新颖的检索增强型修补生成框架（RAP-Gen），通过明确利用从以前的错误修复对的代码库中检索出的相关修复模式来简化参数模型的负担，进而自动化程序修复过程。实验结果表明，RAP-Gen在所有基准测试中显著优于先前的最先进方法，例如在818个Defects4J错误上修复了15个更多的错误。

    Sep, 2023

  • RepairLLaMA: 高效表示与微调适配器 用于程序修复

    RepairLLaMA是一种新颖的程序修复方法，结合了APR的代码表示和名为LoRA的最先进的参数高效LLM微调技术，从而产生了一个高度有效的“程序修复适配器”来修复语言模型中的错误。

    Dec, 2023

  • AutoCodeRover：自主程序改进

    提出了一种自动化的方法AutoCodeRover，将LLMs与复杂的代码搜索能力相结合，从而实现对Github问题的自主解决，进而实现程序改进。

    Apr, 2024

  • SpecRover：通过大型语言模型提取代码意图

    本研究解决软件项目中自动程序改进的需求，重点在于开发一个有效的工作流程进行迭代规范推断。提出的SpecRover方法通过结合项目结构和行为进行意图推断，评估生成的补丁，并显示出比现有方法提升超过50%的有效性，展示了规范推断在自动化程序修复中的重要性。

    Aug, 2024

  • SpecRover: 通过大型语言模型提取代码意图

    本研究解决了自动程序改进中缺乏有效意图推断的问题，提出了一种通过大型语言模型和程序分析相结合的低成本工作流程。研究表明，SpecRover在2294个GitHub问题的评估中，效率提高超过50%，并且以适度成本提供可置信的自动修复建议，凸显了规范推断在自动化程序修复中的重要性。

    Aug, 2024

  • RePair：基于过程反馈的自动化程序修复

    本研究解决了自动化程序修复（APR）中小规模语言模型在修复效果上的局限性，通过构建一个名为CodeNet4Repair的数据集，采用过程监督和反馈优化小规模语言模型的修复策略。结果表明，基于过程的方法不仅超越了更大规模、基于结果的生成方法，还几乎达到了封闭源商业大规模语言模型的性能。

    Aug, 2024

  • GPT-O1能消灭所有BUG吗？对GPT系列大型语言模型在QuixBugs上的评估

    本研究解决了不同版本GPT系列模型在自动程序修复（APR）中的有效性比较缺乏的问题。我们通过对最新的GPT模型版本进行评估，发现O1模型的修复能力超越了之前的版本，成功修复了基准中的所有40个BUG。这项工作为进一步探索GPT系列模型在APR中的应用奠定了基础。

    Sep, 2024