論文の概要: CollabCoder: Plan-Code Co-Evolution via Collaborative Decision-Making for Efficient Code Generation

• arxiv url: http://arxiv.org/abs/2604.13946v2
• Date: Sun, 19 Apr 2026 08:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 13:51:31.114517
• Title: CollabCoder: Plan-Code Co-Evolution via Collaborative Decision-Making for Efficient Code Generation
• Title（参考訳）: CollabCoder: 効率的なコード生成のためのコラボレーティブ意思決定による計画コード共進化
• Authors: Duy Tung Doan, Quang Huy Phung, Dzung Nguyen, Khac-Hoai Nam Bui,
• Abstract要約: 本稿では,動的マルチエージェントコラボレーションによるコード生成を改善する新しいPlan-Code Co-EvolutionフレームワークであるCollabCoderを紹介する。 広く使用されているベンチマークの実験では、CollabCoderはタスク間のコード品質と堅牢性を一貫して改善している。
• 参考スコア（独自算出の注目度）: 4.4015036709922235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated code generation remains a persistent challenge in software engineering, as conventional multi-agent frameworks are often constrained by static planning, isolated execution, high computational overhead, and limited adaptability to complex tasks. This paper introduces CollabCoder, a novel Plan-Code Co-Evolution framework that improves code generation through dynamic multi-agent collaboration. The core idea is to design a collaborative decision-making process between the plan module and the code module to decide which module should be executed for the debugging process. Extensive experiments on widely used benchmarks demonstrate that CollabCoder consistently improves code quality and robustness across tasks. Importantly, CollabCoder achieves performance comparable to or exceeding current state-of-the-art methods while reducing computational overhead, with efficiency gains becoming more pronounced as benchmark difficulty increases. On the more challenging LiveCodeBench and xCodeEval benchmarks, our approach improves performance by 11-20% over strong baselines while reducing the number of API calls by an average of 4-10 per execution.
• Abstract（参考訳）: 従来のマルチエージェントフレームワークは、静的計画、独立した実行、高い計算オーバーヘッド、複雑なタスクへの適応性の制限によって制約されることが多い。 本稿では,動的マルチエージェントコラボレーションによるコード生成を改善する新しいPlan-Code Co-EvolutionフレームワークであるCollabCoderを紹介する。 中心となる考え方は、計画モジュールとコードモジュールの間の協調的な意思決定プロセスを設計し、デバッグプロセスのためにどのモジュールを実行するべきかを決定することである。 広く使用されているベンチマークに関する大規模な実験は、CollabCoderが一貫してタスク間のコード品質と堅牢性を改善していることを示している。 重要なことは、CollabCoderは現在の最先端メソッドに匹敵するパフォーマンスを達成し、計算オーバーヘッドを減らし、ベンチマークの難しさが増すにつれて効率の向上がより顕著になることだ。 より難しいLiveCodeBenchとxCodeEvalのベンチマークでは、強力なベースラインよりも11～20%パフォーマンスが向上しています。

関連論文リスト

• CodeGrad: Integrating Multi-Step Verification with Gradient-Based LLM Refinement [12.792149709662874]
  CodeGradは厳密な検証技術を反復生成ループに直接組み込む、原則化されたフレームワークを導入している。 コードを微分可能な変数として扱い、構造化されたフィードバックと数学的制約をテキストの擬似階調に変換する。 我々は,HumanEval,HumanEval+,LiveCodeBenchベンチマーク上でCodeGradを評価する。
  論文  参考訳（メタデータ） (2025-08-12T22:03:54Z)
• 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)
• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)
• MoTCoder: Elevating Large Language Models with Modular of Thought for Challenging Programming Tasks [50.61968901704187]
  本稿では,タスクを論理的なサブタスクとサブモジュールに分解するためのMoT命令チューニングフレームワークを提案する。 調査の結果,MoTCoderはサブモジュールの栽培と利用を通じて,生成したソリューションのモジュラリティと正しさの両方を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-12-26T08:49:57Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)
• Execution-based Code Generation using Deep Reinforcement Learning [8.085533911328577]
  PPOCoderは、事前訓練されたPLモデルとプロキシポリシー最適化を組み合わせた、コード生成のための新しいフレームワークである。 PPOCoderは、外部コード固有の知識をモデル最適化プロセスにシームレスに統合する。 PPOCoderはタスクに依存しない、モデルに依存しないフレームワークで、さまざまなコード生成タスクやPLで使用できます。
  論文  参考訳（メタデータ） (2023-01-31T18:02:26Z)
• Learning to Improve Code Efficiency [27.768476489523163]
  Google Code Jamコンペティションから、大規模な競合プログラミングデータセットを分析します。 効率的なコードは確かに稀であり、中央値ランタイムと90分の1のソリューションとでは2倍の違いがある。 我々は、機械学習を用いてヒントの形で規範的なフィードバックを自動的に提供し、プログラマが高性能なコードを書くよう誘導することを提案する。
  論文  参考訳（メタデータ） (2022-08-09T01:28:30Z)
• Communication-Efficient Gradient Coding for Straggler Mitigation in Distributed Learning [17.454251607446555]
  サーバがワーカマシン間で勾配計算を分散するグラデーションベースのメソッドの分散実装では、2つの制限を克服する必要がある。 Ye氏とAbe氏(ICML 2018)は、ワーカ毎の計算負荷、ワーカ毎の通信オーバーヘッド、ストラグラートレランスの基本的なトレードオフを特徴付ける、コーディング理論のパラダイムを提案した。 これらの欠点を克服するための通信効率のよい勾配符号化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-05-14T17:57:13Z)

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。