論文の概要: Lifecycle-Aware code generation: Leveraging Software Engineering Phases in LLMs

• arxiv url: http://arxiv.org/abs/2510.24019v1
• Date: Tue, 28 Oct 2025 02:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.727666
• Title: Lifecycle-Aware code generation: Leveraging Software Engineering Phases in LLMs
• Title（参考訳）: ライフサイクル対応コード生成 - LLMにおけるソフトウェアエンジニアリングフェーズの活用
• Authors: Xing Xing, Wei Wang, Lipeng Ma, Weidong Yang, Junjie Zheng,
• Abstract要約: トレーニング段階と推論段階の両方に中間アーティファクトを組み込んだライフサイクル対応フレームワークを導入する。 実験によると、ライフサイクルレベルの微調整は、微調整の前に同じモデルで最大75%の精度でコードの正しさを向上させる。 オープンソース LLM は、かつて私たちのフレームワークの下で微調整され、コードで事前訓練されたモデルにマッチするか、わずかに優れています。
• 参考スコア（独自算出の注目度）: 12.70863561286374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent progress in large language models (LLMs) has advanced automatic code generation, yet most approaches rely on direct, single-step translation from problem descriptions to code, disregarding structured software engineering practices. We introduce a lifecycle-aware framework that systematically incorporates intermediate artifacts such as requirements analysis, state machine modeling, and pseudocode into both the training and inference stages. This design aligns code generation with standard software development phases and enables more structured reasoning. Experiments show that lifecycle-level fine-tuning improves code correctness by up to 75% over the same model before fine-tuning, with performance gains compounding across intermediate stages. Multi-step inference consistently surpasses single-step generation, demonstrating the effectiveness of intermediate scaffolding. Notably, open-source LLMs, once fine-tuned under our framework, match or slightly outperform models pretrained on code. When applied to DeepSeek-Coder-1.3B, our framework yields relative CodeBLEU improvements of 34.3%, 20.0%, 11.2%, and 22.3% over ChatGPT-3.5, ChatGPT-4o-mini, DeepSeek-R1, and LLaMA-8B, respectively. Our pipeline also proves robust with up to 80\% less training data, confirming its resilience. Ablation studies further reveal that each intermediate artifact contributes distinctly to final code quality, with state machine modeling yielding the most substantial impact. Our source code and detailed experimental data are available at https://anonymous.4open.science/r/Lifecycle-Aware-3CCB.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、高度な自動コード生成が進んでいるが、ほとんどのアプローチは、構造化されたソフトウェアエンジニアリングプラクティスを無視し、問題記述からコードへの直接的な単一ステップの変換に依存している。 本稿では,要件分析や状態マシンモデリング,擬似コードといった中間的成果物を,トレーニング段階と推論段階の両方に体系的に組み込むライフサイクルアウェアフレームワークを提案する。 この設計は、コード生成を標準的なソフトウェア開発フェーズと整合させ、より構造化された推論を可能にする。 実験により、ライフサイクルレベルの微調整は、中間段階にまたがるパフォーマンス向上により、同じモデル上で最大75%のコード正当性を向上することが示された。 多段階推論は、一段階生成を一貫して超え、中間足場の有効性を示す。 特に、オープンソースのLLMは、かつて私たちのフレームワークの下で微調整され、コードで事前訓練されたモデルにマッチするか、わずかに優れています。 DeepSeek-Coder-1.3Bに適用すると、当社のフレームワークは、ChatGPT-3.5、ChatGPT-4o-mini、DeepSeek-R1、LLaMA-8Bに対して、相対的なCodeBLEUの改善を34.3%、20.0%、11.2%、22.3%とした。 当社のパイプラインでは,トレーニングデータの最大80%が堅牢で,レジリエンスの確認も行なっています。 アブレーション研究により、各中間アーティファクトが最終的なコード品質に明確に寄与し、状態マシンモデリングが最も実質的な影響をもたらすことが明らかになった。 ソースコードと詳細な実験データはhttps://anonymous.4open.science/r/Lifecycle-Aware-3CCBで公開されている。

関連論文リスト

• Benchmarking Correctness and Security in Multi-Turn Code Generation [41.75392001830794]
  MTSecは,マルチターン符号化シナリオにおける正当性とセキュリティを評価する最初のベンチマークである。 MT-Secでは32のオープンソースモデルとクローズドソースモデルと3つのエージェントスキャフォールディングを評価した。 エージェント生成スキャフォールディングは単一ターンコード生成性能を高めるが,マルチターン評価にはあまり有効ではないことがわかった。
  論文  参考訳（メタデータ） (2025-10-13T01:20:46Z)
• Reinforcement Learning for Machine Learning Engineering Agents [52.03168614623642]
  強化学習によって改善される弱いモデルによって支援されるエージェントは、はるかに大きいが静的モデルによって支援されるエージェントよりも優れていることを示す。 分散非同期RLフレームワークにおいて,高コストかつ高利回りな動作を増幅するための時間依存性の勾配更新を提案する。 また,早期に失敗するプログラムとほぼ正しくないプログラムを区別し,部分クレジットを提供する環境機器を提案する。
  論文  参考訳（メタデータ） (2025-09-01T18:04:10Z)
• SynthCoder: A Synthetical Strategy to Tune LLMs for Code Completion [7.668823606571788]
  コード補完は、ソフトウェア工学における大規模言語モデル(LLM)の顕著な応用である。 本稿では,Fill-in-the-Middle(FIM)コード補完タスクにおける最先端技術を実現するために,業界をリードするプラクティスを統合するモデルであるSynthCoderを提案する。
  論文  参考訳（メタデータ） (2025-08-21T12:23:49Z)
• Learning to Solve and Verify: A Self-Play Framework for Code and Test Generation [69.62857948698436]
  大規模言語モデル(LLM)の最近の進歩は、コーディングベンチマークのパフォーマンスを改善している。 しかし、手軽に利用できる高品質なデータの枯渇により、改善は停滞している。 本稿では,単一モデルのコードとテスト生成能力を共同で改善するセルフプレイ・ソルバ検証フレームワークであるSol-Verを提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:32:19Z)
• UnitCoder: Scalable Iterative Code Synthesis with Unit Test Guidance [65.01483640267885]
  大きな言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示してきたが、コード生成は依然として大きな課題である。 私たちは、モデル生成ユニットテストを活用してコード生成プロセスのガイドと検証を行う、システマティックパイプラインであるUnitCoderを紹介します。 我々の研究は、モデル生成単体テストを利用して、事前学習コーパスから高品質なコードデータの合成を誘導するスケーラブルなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-17T05:37:02Z)
• SOEN-101: Code Generation by Emulating Software Process Models Using Large Language Model Agents [50.82665351100067]
  FlowGenは、複数のLarge Language Model (LLM)エージェントに基づいたソフトウェアプロセスモデルをエミュレートするコード生成フレームワークである。 FlowGenScrumをHumanEval、HumanEval-ET、MBPP、MBPP-ETの4つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2024-03-23T14:04:48Z)
• LLM-Assisted Code Cleaning For Training Accurate Code Generators [53.087019724256606]
  コードの品質を調査した結果,より構造化され,読みやすくなれば,コード生成性能が向上することがわかった。 私たちは、これらの原則を使って既存のプログラムを変換する、新しいデータクリーニングパイプラインを構築します。 提案手法を2つのアルゴリズムコード生成ベンチマークで評価した結果,微調整のCodeLLaMa-7Bでは,元のデータセットの微調整に比べて最大30%性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-11-25T02:45:50Z)

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。