論文の概要: Full Line Code Completion: Bringing AI to Desktop

• arxiv url: http://arxiv.org/abs/2405.08704v2
• Date: Mon, 07 Oct 2024 17:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:43:24.686983
• Title: Full Line Code Completion: Bringing AI to Desktop
• Title（参考訳）: 完全なコード補完 - AIをデスクトップに持ち込む
• Authors: Anton Semenkin, Vitaliy Bibaev, Yaroslav Sokolov, Kirill Krylov, Alexey Kalina, Anna Khannanova, Danila Savenkov, Darya Rovdo, Igor Davidenko, Kirill Karnaukhov, Maxim Vakhrushev, Mikhail Kostyukov, Mikhail Podvitskii, Petr Surkov, Yaroslav Golubev, Nikita Povarov, Timofey Bryksin,
• Abstract要約: JetBrainsのIntelliJ Platform用のマルチトークンコード補完機能を構築するためのアプローチについて説明する。 この機能は構文的に正しいコードのみを推奨し、ローカルで完全に動作する。
• 参考スコア（独自算出の注目度）: 3.5296482958373447
• License:
• Abstract: In recent years, several industrial solutions for the problem of multi-token code completion appeared, each making a great advance in the area but mostly focusing on cloud-based runtime and avoiding working on the end user's device. In this work, we describe our approach for building a multi-token code completion feature for the JetBrains' IntelliJ Platform, which we call Full Line Code Completion. The feature suggests only syntactically correct code and works fully locally, i.e., data querying and the generation of suggestions happens on the end user's machine. We share important time and memory-consumption restrictions, as well as design principles that a code completion engine should satisfy. Working entirely on the end user's device, our code completion engine enriches user experience while being not only fast and compact but also secure. We share a number of useful techniques to meet the stated development constraints and also describe offline and online evaluation pipelines that allowed us to make better decisions. Our online evaluation shows that the usage of the tool leads to 1.3 times more Python code in the IDE being produced by code completion. The described solution was initially started with a help of researchers and was then bundled into all JetBrains IDEs where it is now used by millions of users. Thus, we believe that this work is useful for bridging academia and industry, providing researchers with the knowledge of what happens when complex research-based solutions are integrated into real products.
• Abstract（参考訳）: 近年,マルチトークンコード補完問題に対する産業的ソリューションがいくつか出現し,それぞれが大きな進歩を遂げているが,主にクラウドベースのランタイムに注目し,エンドユーザのデバイスの開発を回避している。 本稿では,JetBrainsのIntelliJプラットフォーム向けに,Full Line Code Completionと呼ばれるマルチトークンコード補完機能を構築するためのアプローチについて述べる。 この機能は構文的に正しいコードのみを推奨し、ローカルで完全に動作する。 重要な時間とメモリ消費の制限と、コード補完エンジンが満たすべき設計原則を共有しています。 エンドユーザのデバイスで完全に作業することで、コード補完エンジンは、高速でコンパクトなだけでなく、セキュアなユーザエクスペリエンスを豊かにします。 私たちは、前述の開発制約を満たすために有用なテクニックを数多く公開しています。 オンライン評価では、ツールの使用により、コード補完によって生成されたIDEのPythonコードの1.3倍のコードが生成されることが示されています。 説明されたソリューションは最初、研究者の助けを借りて始められ、その後すべてのJetBrains IDEにバンドルされた。 したがって、この研究は学術と産業の橋渡しに役立つと信じており、複雑な研究ベースのソリューションが実際の製品に統合されたときに何が起こるか、研究者に理解を提供する。

関連論文リスト

• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)
• Long Code Arena: a Set of Benchmarks for Long-Context Code Models [75.70507534322336]
  Long Code Arenaは、プロジェクト全体のコンテキストを必要とするコード処理タスクのための6つのベンチマークスイートである。 これらのタスクは、ライブラリベースのコード生成、CIビルドの修復、プロジェクトレベルのコード補完、コミットメッセージ生成、バグローカライゼーション、モジュールの要約といった、コード処理のさまざまな側面をカバーする。 各タスクに対して、テスト用の手作業によるデータセット、評価スイート、オープンソースのベースラインソリューションを提供しています。
  論文  参考訳（メタデータ） (2024-06-17T14:58:29Z)
• JetTrain: IDE-Native Machine Learning Experiments [4.23507375452691]
  JetTrainは、機械学習(ML)実験をローンチするための統合開発環境(IDE)ツールである。 ユーザはローカルでコードを書いてデバッグし、オンデマンドのハードウェアを使ってリモートでシームレスに実行できる。 このアプローチは、MLトレーニング問題の参入障壁を低くし、実験スループットを向上させることができると我々は主張する。
  論文  参考訳（メタデータ） (2024-02-16T17:53:08Z)
• Context Composing for Full Line Code Completion [0.46040036610482665]
  本稿では,機能実装のコアとなるTransformerモデルに対するコンテクスト構成のアプローチについて述べる。 我々は、機能を改善するための次のステップを共有し、この分野におけるいくつかの研究面の重要性を強調します。
  論文  参考訳（メタデータ） (2024-02-14T15:17:37Z)
• InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback [50.725076393314964]
  標準的な強化学習環境として,インタラクティブコーディングの軽量でフレキシブルで使いやすいフレームワークであるInterCodeを紹介した。 私たちのフレームワークは、言語とプラットフォームに依存しない、自己完結型のDocker環境を使用して、安全で再現可能な実行を提供します。 我々は、異なるプロンプト戦略で構成された複数の最先端LLMを評価することにより、InterCodeの生存性をテストベッドとして示す。
  論文  参考訳（メタデータ） (2023-06-26T17:59:50Z)
• LongCoder: A Long-Range Pre-trained Language Model for Code Completion [56.813974784131624]
  LongCoderは自己アテンションにスライディングウィンドウ機構を採用し、グローバルアクセス可能なトークンを2種類導入している。 ブリッジトークンは入力シーケンス全体を通して挿入され、ローカル情報を集約し、グローバルな相互作用を促進する。 メモリトークンは、後で呼び出され、記憶する必要がある重要なステートメントをハイライトするために含まれます。
  論文  参考訳（メタデータ） (2023-06-26T17:59:24Z)
• All You Need Is Logs: Improving Code Completion by Learning from Anonymous IDE Usage Logs [55.606644084003094]
  そこで本研究では,IDEのユーザからコンプリート利用ログを収集する手法を提案する。 機械学習ベースのモデルをトレーニングして、完成候補をランク付けします。 評価の結果,過去のユーザ動作ログに基づいてトレーニングした単純なランキングモデルを用いることで,コード補完エクスペリエンスが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-21T23:21:26Z)
• ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
  本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。 我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-03-15T08:25:08Z)
• Towards Full-line Code Completion with Neural Language Models [25.458883198815393]
  単一トークンではなく,コード行全体を直接完了する可能性について論じる。 最近のニューラルネットワークモデルは、コード補完の好ましいアプローチとして採用されている。
  論文  参考訳（メタデータ） (2020-09-18T03:12:13Z)
• IntelliCode Compose: Code Generation Using Transformer [7.623136583706195]
  汎用多言語コード補完ツールであるIntelliCode Compose $-$を紹介する。 任意の型のコードトークンのシーケンスを予測でき、構文的に正しいコードの行全体を生成することができる。 IntelliCode ComposeはクラウドベースのWebサービスとしてデプロイされる。
  論文  参考訳（メタデータ） (2020-05-16T15:47:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。