論文の概要: Auto-repair without test cases: How LLMs fix compilation errors in large industrial embedded code

• arxiv url: http://arxiv.org/abs/2510.13575v1
• Date: Wed, 15 Oct 2025 14:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.697655
• Title: Auto-repair without test cases: How LLMs fix compilation errors in large industrial embedded code
• Title（参考訳）: テストケースのない自動リペア:LLMが大規模産業組み込みコードのコンパイルエラーを修正する方法
• Authors: Han Fu, Sigrid Eldh, Kristian Wiklund, Andreas Ermedahl, Philipp Haller, Cyrille Artho,
• Abstract要約: 大規模言語モデル(LLM)によって駆動されるコンパイルエラーに対して,自動修復手法を採用する。 私たちの調査では、製品のソースコードから4000万件以上のコミットを収集しています。
• 参考スコア（独自算出の注目度）: 2.64399132991614
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The co-development of hardware and software in industrial embedded systems frequently leads to compilation errors during continuous integration (CI). Automated repair of such failures is promising, but existing techniques rely on test cases, which are not available for non-compilable code. We employ an automated repair approach for compilation errors driven by large language models (LLMs). Our study encompasses the collection of more than 40000 commits from the product's source code. We assess the performance of an industrial CI system enhanced by four state-of-the-art LLMs, comparing their outcomes with manual corrections provided by human programmers. LLM-equipped CI systems can resolve up to 63 % of the compilation errors in our baseline dataset. Among the fixes associated with successful CI builds, 83 % are deemed reasonable. Moreover, LLMs significantly reduce debugging time, with the majority of successful cases completed within 8 minutes, compared to hours typically required for manual debugging.
• Abstract（参考訳）: 産業組み込みシステムにおけるハードウェアとソフトウェアの共同開発は、継続的インテグレーション(CI)中のコンパイルエラーを頻繁に引き起こす。 このような障害の自動修復は有望だが、既存のテクニックは、コンパイル不能なコードでは利用できないテストケースに依存している。 大規模言語モデル(LLM)によって駆動されるコンパイルエラーに対して,自動修復手法を採用する。 私たちの調査では、製品のソースコードから4000万件以上のコミットを収集しています。 4つの最先端のLLMによって強化された産業用CIシステムの性能を評価し、その結果を人手による修正と比較する。 LLMを実装したCIシステムは、ベースラインデータセットのコンパイルエラーの最大63%を解決できます。 CIビルドの成功に関連する修正のうち、83パーセントが妥当であると見なされている。 さらに、LSMはデバッグ時間を大幅に短縮し、ほとんどのケースは8分以内で完了した。

関連論文リスト

• RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models [49.83481415540291]
  LLM(Large Language Models)は、コードのデバッグに非常に熟練している。 本稿ではマルチタスクおよび多言語リポジトリレベルのコードデバッグデータセットであるRepo Debugを紹介する。 最高のパフォーマンスモデルである Claude 3.5 Sonnect は,リポジトリレベルのデバッグでは依然としてうまく動作しない。
  論文  参考訳（メタデータ） (2025-09-04T10:13:21Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements [0.36832029288386137]
  本研究では,大規模言語モデル(LLM)をソフトウェア開発に組み込んだコード問題検出と修正自動化について検討した。 静的コード分析フレームワークは、大規模なソフトウェアプロジェクトの中でバグや脆弱性、コードの臭いなどの問題を検出する。 検索拡張世代(RAG)は、リビジョンの関連性と精度を高めるために実装される。
  論文  参考訳（メタデータ） (2025-06-12T03:39:25Z)
• D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
  逆コンパイラは、バイナリから可読なソースコードを再構築する。 近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。 大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。 D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
  論文  参考訳（メタデータ） (2025-06-11T19:09:08Z)
• LLM4CVE: Enabling Iterative Automated Vulnerability Repair with Large Language Models [9.946058168276744]
  大規模言語モデル(LLM)は、多くのソフトウェア欠陥が自動的にパッチを当てられる可能性を開放した。 実世界のコードで脆弱な関数を高い精度で堅牢に修正する反復パイプラインを提案する。 また,Llama 370Bでは,人間の検証による品質スコアが8.51/10,Llama 370Bでは20%に向上した。
  論文  参考訳（メタデータ） (2025-01-07T00:21:42Z)
• EDA-Aware RTL Generation with Large Language Models [0.7831852829409273]
  LLM(Large Language Models)は、RTLコードを生成するために人気が高まっている。 ゼロショット設定でエラーのないRTLコードを生成することは、最先端のLLMでも非常に難しい。 本稿では,構文と機能的エラーの反復的修正によるRTLコード生成の高速化を目的とした,自己検証型LLM非依存型エージェントフレームワークであるAIvril2を紹介する。
  論文  参考訳（メタデータ） (2024-11-21T00:37:51Z)
• MEIC: Re-thinking RTL Debug Automation using LLMs [18.964523115622928]
  本研究は,新しいフレームワーク,Make each Iteration Count(MEIC)を紹介する。 MEICは、構文と関数のエラーを識別し、修正するのに適している。 フレームワークを評価するため、178の共通RTLプログラミングエラーからなるオープンソースデータセットを提供する。
  論文  参考訳（メタデータ） (2024-05-10T22:32:39Z)
• DeepCode AI Fix: Fixing Security Vulnerabilities with Large Language Models [3.1690235522182104]
  大規模言語モデル(LLM)は、様々なプログラミングタスクの解決にますます使われている。 長距離コード関係を学習するモデルを必要とするため,タスクは困難であることを示す。 本稿では,LLMのクエリと微調整のための新しいアプローチにより,これらの課題に対処する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T18:35:40Z)

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。