論文の概要: QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization

• arxiv url: http://arxiv.org/abs/2604.05963v1
• Date: Tue, 07 Apr 2026 14:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.897181
• Title: QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization
• Title（参考訳）: QiMeng-PRepair: エディット・アウェア・リワード最適化によるコード修正
• Authors: Changxin Ke, Rui Zhang, Jiaming Guo, Yuanbo Wen, Li Ding, Shuo Wang, Xuyuan Zhu, Xiong Peng, Di Huang, Zidong Du, Xing Hu, Qi Guo, Yunji Chen,
• Abstract要約: 大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。 オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
• 参考スコア（独自算出の注目度）: 50.722636027998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) achieve strong program repair performance but often suffer from over-editing, where excessive modifications overwrite correct code and hinder bug localization. We systematically quantify its impact and introduce precise repair task, which maximizes reuse of correct code while fixing only buggy parts. Building on this insight, we propose PRepair, a framework that mitigates over-editing and improves repair accuracy. PRepair has two components: Self-Breaking, which generates diverse buggy programs via controlled bug injection and min-max sampling, and Self-Repairing, which trains models with Edit-Aware Group Relative Policy Optimization (EA-GRPO) using an edit-aware reward to encourage minimal yet correct edits. Experiments show that PRepair improves repair precision by up to 31.4% under $\mathrm{fix}_1@1$, a metric that jointly considers repair correctness and extent, and significantly increases decoding throughput when combined with speculative editing, demonstrating its potential for precise and practical code repair.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、プログラムの修復性能は高いが、過度な修正が正しいコードを上書きし、バグのローカライゼーションを妨げるオーバー編集に悩まされることが多い。 我々は、その影響を体系的に定量化し、バグのある部分のみを修正しながら、正しいコードの再利用を最大化する正確な修理タスクを導入する。 この知見に基づいて,オーバー編集を緩和し,修復精度を向上させるフレームワークPRepairを提案する。 PRepairには2つのコンポーネントがある: Self-Breaking、コントロールされたバグインジェクションとmin-maxサンプリングを通じて多様なバグプログラムを生成する Self-Repairing、そして最小限かつ正確な編集を促進するために、編集対応の報酬を使用して、編集グループ相対ポリシー最適化(EA-GRPO)でモデルをトレーニングする Self-Repairing。 実験の結果、PRepairは修理精度を$\mathrm{fix}_1@1$で最大31.4%向上し、修復の正確さと範囲を共同で検討し、投機的編集と組み合わせることで復号スループットを著しく向上させ、正確かつ実用的なコード修復の可能性を示している。

関連論文リスト

• Specification Vibing for Automated Program Repair [8.68148153927532]
  VibeRepairは仕様中心のAPR技術で、修正をアドホックなコード編集ではなく、行動特化修復として扱う。 Defects4J v1.2では、VibeRepairが174のバグを正しく修復し、最先端のベースラインを28のバグで越えている。 Defects4J v2.0では、178のバグを修復し、33のバグによる以前のアプローチよりも優れ、23%の改善を示している。
  論文  参考訳（メタデータ） (2026-02-09T04:44:58Z)
• 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)
• FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments [21.848112758958543]
  本稿では,FastFixerを提案する。 まず,必要なパッチと関連するコンテキストを生成する方法を学ぶことへのLLMの関心を高めることを目的とした,修復指向のファインチューニング戦略を提案する。 修復効率を考慮すると、FastFixerは自動回帰復号アルゴリズムと比較して16.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-10-11T10:17:02Z)
• On The Effectiveness of Dynamic Reduction Techniques in Automated Program Repair [1.7767466724342067]
  本稿では,大規模バグ修正プログラムを効果的に処理するプログラム修復フレームワークについて述べる。 このフレームワークは、プログラムスライシングの形式でプログラムの削減を利用して、修正中のバグとは無関係にコードの一部を除去する。 広く使用されているDefects4Jデータセットに対する実験結果から,修復品質の劣化を伴わずに,大幅な性能向上が達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-23T21:35:07Z)
• RepairLLaMA: Efficient Representations and Fine-Tuned Adapters for Program Repair [6.8144965833113815]
  そこで我々は,APRの最適なコード表現を微調整モデルで識別する新しいプログラム修復手法であるRe repairLLaMAを提案する。 これにより、AIでバグを修正するのに非常に効果的なプログラム修復アダプタが提供される。 全体として、Re repairLLaMAは144のDefects4J v2、109のHumanEval-Java、20のGitBug-Javaバグを正しく修正する。
  論文  参考訳（メタデータ） (2023-12-25T11:39:46Z)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• Is Self-Repair a Silver Bullet for Code Generation? [68.02601393906083]
  大規模な言語モデルは、コード生成において顕著な適性を示しているが、それでも複雑なタスクを実行するのに苦労している。 自己修復(Self-repair) — モデルが自身のコードをデバッグし、修復する — は、最近、パフォーマンスを向上する一般的な方法になっている。 我々は,Code Llama, GPT-3.5, GPT-4によるHumanEvalとAPPSの自己修復能力について分析した。
  論文  参考訳（メタデータ） (2023-06-16T15:13:17Z)
• Memory-Based Model Editing at Scale [102.28475739907498]
  既存のモデルエディタは、編集対象のスコープを正確にモデル化するのに苦労する。 SERAC(Retrieval-Augmented Counterfactal Model)を用いた半パラメトリック編集を提案する。 SERACは、編集を明示的なメモリに格納し、必要に応じてベースモデルの予測を変更できるように、それらを推論することを学ぶ。
  論文  参考訳（メタデータ） (2022-06-13T23:40:34Z)

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。