論文の概要: SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent

• arxiv url: http://arxiv.org/abs/2604.26102v1
• Date: Tue, 28 Apr 2026 20:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.165049
• Title: SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent
• Title（参考訳）: SWE-Edit: 効率的なSWE-Agentのためのコード編集の再考
• Authors: Yikai Zhang, Jiaxin Pei, Kenan Li, Maoquan Wang, Jin Pan, Yu Kang, Shengyu Fu, Elsie Nallipogu, Junjie Hu, Yufan Huang, Zijian Jin,
• Abstract要約: SWE-Editは、コード編集を2つの特別なサブエージェントに分解する。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。
• 参考スコア（独自算出の注目度）: 17.74253780030394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model agents have achieved remarkable progress on software engineering tasks, yet current approaches suffer from a fundamental context coupling problem: the standard code editing interface conflates code inspection, modification planning, and edit execution within a single context window, forcing agents to interleave exploratory viewing with strictly formatted edit generation. This causes irrelevant information to accumulate and degrades agent performance. To address this, we propose SWE-Edit, which decomposes code editing into two specialized subagents: a Viewer that extracts task-relevant code on demand, and an Editor that executes modifications from high-level plans--allowing the main agent to focus on reasoning while delegating context-intensive operations to clean context windows. We further investigate what makes an effective editing model: observing that the prevalent find-and-replace format is error-prone, we train Qwen3-8B with GRPO to adaptively select editing modes, yielding improved editing efficiency over single-format baselines. On SWE-bench Verified, SWE-Edit improves resolved rate by 2.1% while reducing inference cost by 17.9%. We additionally propose a code editing benchmark that reliably predicts downstream agentic performance, providing practical guidance for editing model selection. Our code is publicly available at https://github.com/microsoft/SWE-Edit.
• Abstract（参考訳）: 標準的なコード編集インターフェースは、コードのインスペクション、修正計画、単一のコンテキストウィンドウ内での実行の編集を混在させ、エージェントは厳格にフォーマットされた編集生成で探索的なビューをインターリーブすることを強制する。 これにより、関係のない情報が蓄積され、エージェントのパフォーマンスが低下する。 そこで本研究では,要求に応じてタスク関連コードを抽出するビューアと,高レベルの計画から修正を実行するエディタの2つの特別なサブエージェントにコード編集を分解するSWE-Editを提案する。 さらに,一般的な検索・置換フォーマットがエラーを起こしやすいことを観察し,Qwen3-8BをGRPOで訓練して編集モードを適応的に選択し,単一フォーマットのベースラインよりも編集効率を向上させる。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。 また、下流のエージェント性能を確実に予測し、モデル選択の実用的なガイダンスを提供するコード編集ベンチマークを提案する。 私たちのコードはhttps://github.com/microsoft/SWE-Editで公開されています。

関連論文リスト

• Model Editing for New Document Integration in Generative Information Retrieval [110.90609826290968]
  生成検索(GR)は文書識別子(docID)の生成として情報検索(IR)タスクを再構成する 既存のGRモデルは、新たに追加されたドキュメントへの一般化が不十分で、しばしば正しいドキュメントIDを生成できない。 DOMEは,GRモデルを非表示文書に効果的かつ効率的に適応する新しい手法である。
  論文  参考訳（メタデータ） (2026-03-03T09:13:38Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• HyperEdit: Unlocking Instruction-based Text Editing in LLMs via Hypernetworks [19.648438719273024]
  本稿では,要求固有パラメータを生成するハイパーネットワークに基づく動的適応手法を提案する。 我々は、修正されたスパンの監督に焦点を合わせ、過剰な編集を防ぐ差分認識正規化を開発する。 HyperEditは、最先端のベースラインに対して修正されたリージョン上でのBLEUの相対的な改善を9%--30%達成している。
  論文  参考訳（メタデータ） (2025-12-14T04:28:39Z)
• Image Editing As Programs with Diffusion Models [69.05164729625052]
  本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築された統合画像編集フレームワークである IEAP (Image Editing As Programs) を紹介する。 IEAPは、複雑な編集命令を原子操作のシーケンスに分解して、リダミストレンズによる命令編集にアプローチする。 我々のフレームワークは、特に複雑なマルチステップ命令に対して、より優れた精度とセマンティック忠実度を提供する。
  論文  参考訳（メタデータ） (2025-06-04T16:57:24Z)
• InComeS: Integrating Compression and Selection Mechanisms into LLMs for Efficient Model Editing [86.17245523439514]
  In-context Learningは、コンテキストエンコーディングを通じて編集情報を解釈することで、有望な編集方法である。 この方法は、大きな言語モデルの限られたコンテキストウィンドウによって制約される。 編集コンテキストの処理能力を向上させるフレキシブルなフレームワークであるInComeSを提案する。
  論文  参考訳（メタデータ） (2025-05-28T09:20:18Z)
• Bridging the Editing Gap in LLMs: FineEdit for Precise and Targeted Text Modifications [4.751608548909266]
  FineEditは、コンテキスト対応のテキスト修正のために明示的に訓練された特殊な編集モデルである。 FineEditはシングルターン編集で最先端のモデルより優れており、Llama-3.2-3Bより30%も上回り、Mistral-7B-OpenOrcaのパフォーマンスを40%以上上回っている。
  論文  参考訳（メタデータ） (2025-02-19T01:41:44Z)
• 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)
• A Structural Model for Contextual Code Changes [20.185486717922615]
  部分的に編集されたコードスニペットが与えられた場合、私たちのゴールは、スニペットの残りの部分に対する編集の完了を予測することです。 提案モデルでは,最先端のシーケンシャルモデルよりも28%,編集コードの生成を学習する構文モデルよりも2倍高い精度を実現している。
  論文  参考訳（メタデータ） (2020-05-27T07:16:19Z)

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。