Sep, 2024

生成性人工智能的N版本评估与增强

HTML
PDF
TL;DR本文解决了生成性人工智能在软件工程中面临的信任问题，尤其是在代码生成方面的挑战。通过提出“差异化生成性人工智能”（D-GAI）的方法，利用生成多版本代码和测试的能力，可以实现更可靠的质量评估。研究表明，Large-Scale Software Observatorium（LASSO）平台的应用，将加强对生成性人工智能生成工件的严谨评估，推动软件开发和生成性人工智能研究的进一步发展。
发现论文，激发创造
  • 基于大语言模型的全自动编程

    本文探讨了使用 Large Language Models 进行程序合成时，实现 Synthesize，Execute，Debug 方法的方法，包括替换或修复故障程序，以及不同基于模板和基于模型的提示生成技术，取得了比传统方法更好的表现。

    Apr, 2023

  • GPT-3.5和Bard人工智能模型在Java函数代码生成能力方面的初步分析

    本研究评估了两种先进的人工智能模型GPT-3.5和Bard在给定函数描述时生成Java代码的能力，并发现GPT-3.5在正确生成代码方面的表现优于Bard约37.5％。该研究强调了人工智能在软件开发中自动化和支持方面的潜力，但还需要进一步的研究来充分实现这一潜力。

    May, 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

  • 探索生成人工智能与软件开发的交集

    探讨生成式人工智能技术如何在软件工程领域引发转变，介绍了其在项目管理、支持和更新等开发阶段的潜力，探索了零次启动、自洽性和多模式思维等技术在增强生成式人工智能模型中的独特能力，并强调了向量嵌入、上下文、插件、工具和代码助手在捕获语义信息和提升生成式人工智能能力方面的重要性。该研究旨在鼓励讨论和实验软件工程中生成式人工智能应用，从而提高生产力、改善代码质量并促进软件开发效率和效果的质的飞跃。

    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

  • 软件工程的更高智能化

    通过开发新一代的“Morescient” GAI 模型和相应的软件观测平台，该论文展示了如何根据开放科学原则构建、演进和传播这种同时理解软件语义和静态结构的生成型人工智能模型。

    Jun, 2024

  • 使用变形提示测试验证LLM生成的程序

    我们提出了一种称为变质提示测试的新颖解决方案，用于解决由大型语言模型生成的代码质量和正确性所引发的挑战，并在HumanEval评估中显示，该方法能够检测到由GPT-4生成的错误程序的75％，误报率为8.6％。

    Jun, 2024

  • 代理代码是最先进的软件测试员

    使用大型语言模型的代码代理在形式化用户问题为测试用例方面具有重要能力，并且在生成相关测试用例方面表现出众，尤其是在代码修复方面，生成的测试用例是提出代码修复的一个有效过滤器。

    Jun, 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