論文の概要: Monte Carlo Tree Search for Execution-Guided Program Repair with Large Language Models

• arxiv url: http://arxiv.org/abs/2602.00129v1
• Date: Wed, 28 Jan 2026 03:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.964075
• Title: Monte Carlo Tree Search for Execution-Guided Program Repair with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた実行誘導型プログラム修復のためのモンテカルロ木探索
• Authors: Yixuan Liang,
• Abstract要約: 我々は,Monte Carlo Tree Search(MCTS)と大規模言語モデルを統合するハイブリッドフレームワークであるCodePilotを紹介した。 SWE-bench Liteの実験では、CodePilotはオープンウェイトモデルを使用して24.67%の解決率を獲得し、同等のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated program repair with large language models remains challenging at the repository level due to long-horizon reasoning requirements and the limitations of autoregressive decoding. We present CodePilot, a hybrid framework that integrates Monte Carlo Tree Search (MCTS) with large language models to enable execution-guided program repair for real-world GitHub issues. CodePilot performs hierarchical fault localization from repository to file and function level, explores diverse patch trajectories using MCTS, and leverages execution feedback as a reward signal to guide search and refinement. The framework further incorporates confidence-calibrated generation to selectively refine low-confidence outputs. Experiments on SWE-bench Lite demonstrate that CodePilot achieves a 24.67% issue resolution rate using open-weight models, outperforming comparable baselines. These results suggest that combining symbolic search with neural language models is an effective strategy for scalable, execution-aware software engineering automation.
• Abstract（参考訳）: 大規模な言語モデルによるプログラムの自動修復は、長期の推論要求と自動回帰復号の制限のため、リポジトリレベルでは依然として困難である。 我々は,Monte Carlo Tree Search(MCTS)と大規模言語モデルを統合するハイブリッドフレームワークであるCodePilotを紹介した。 CodePilotは、リポジトリからファイル、関数レベルへの階層的なフォールトローカライゼーションを実行し、MCTSを使用してさまざまなパッチトラジェクトリを調査し、検索と洗練をガイドする報奨信号として実行フィードバックを活用する。 このフレームワークはさらに信頼性校正生成を取り入れ、低信頼出力を選択的に洗練する。 SWE-bench Liteの実験では、CodePilotはオープンウェイトモデルを使用して24.67%の解決率を獲得し、同等のベースラインを上回っている。 これらの結果は、シンボリック検索とニューラルネットワークモデルを組み合わせることが、スケーラブルで実行対応のソフトウェアエンジニアリング自動化のための効果的な戦略であることを示唆している。

関連論文リスト

• Thinking with Programming Vision: Towards a Unified View for Thinking with Images [23.596757163808906]
  最先端のMLLMでさえ驚くほど不安定であり、単純な向きの変化や自然破壊を伴う画像の性能劣化が顕著であることを示す。 我々は,モデルが任意のイメージ操作を実行するユニバーサルインターフェースとしてコードを生成する,フレキシブルでスケーラブルなコード・アズ・ツール・フレームワークであるCodeVisionを提案する。
  論文  参考訳（メタデータ） (2025-12-03T12:44:15Z)
• Asm2SrcEval: Evaluating Large Language Models for Assembly-to-Source Code Translation [4.45354703148321]
  アセンブリ・トゥ・ソースのコード翻訳はリバースエンジニアリング、サイバーセキュリティ、ソフトウェアメンテナンスにおいて重要なタスクである。 本稿では,アセンブリ・トゥ・ソース・トランスフォーメーションにおける5つの最先端大規模言語モデルの包括的評価について述べる。
  論文  参考訳（メタデータ） (2025-11-28T12:40:30Z)
• SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models [59.90381306452982]
  ソフトウェアエンジニアリングのための大規模言語モデル(LLM)の評価は、タスクカバレッジの狭さ、言語バイアス、現実世界の開発者との整合性の不足によって制限されている。 SWE-1は、不均一なコード関連評価を構造化および生産整合性のあるフレームワークに統合する包括的なベンチマークである。 SWE-は8つのタスクタイプ、8つのプログラミングシナリオ、10のプログラミング言語にまたがる。
  論文  参考訳（メタデータ） (2025-11-07T18:01:32Z)
• SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
  SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。 パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。 SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-07T19:44:09Z)
• Generating Code World Models with Large Language Models Guided by Monte Carlo Tree Search [5.913758275518443]
  我々は,大規模言語モデル(LLM)が生成する世界モデルであるコードワールドモデルを,モデルベース強化学習(RL)のためのPythonコード形式として検討する。 LLMの代わりにコードを呼び出すことは、より正確で、信頼性があり、解釈可能で、非常に効率的である可能性がある。 その結果, モデルベースRLエージェントは, サンプル効率と推論速度を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2024-05-24T09:31:26Z)
• Sequential Monte Carlo Steering of Large Language Models using Probabilistic Programs [46.721838623748816]
  本研究では,大規模言語モデルの出力に対する構文的制約と意味的制約を強制する新しい推論時手法を提案する。 主要なアイデアは、言語生成タスクを離散確率列モデルのクラスにおける後部推論問題として指定することである。 ビームサーチと同様の計算コストのために、SMCは多様なタスクを解決するためにLSMを操ることができる。
  論文  参考訳（メタデータ） (2023-06-05T17:55:05Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)

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。