論文の概要: Bridging Functional Correctness and Runtime Efficiency Gaps in LLM-Based Code Translation
- arxiv url: http://arxiv.org/abs/2606.17683v1
- Date: Tue, 16 Jun 2026 08:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.361315
- Title: Bridging Functional Correctness and Runtime Efficiency Gaps in LLM-Based Code Translation
- Title（参考訳）: LLMコード翻訳におけるブリッジ機能精度と実行効率ギャップ
- Authors: Longhui Zhang, Jiahao Wang, Chenhao Hu, Bingyu Liang, Jing Li, Min Zhang,
- Abstract要約: ランタイム効率は、関数的正確性とともに、プログラム品質にとってますます重要になっています。
提案するSwiftTransは,2つの重要なステージ – Multi-Perspective Explorationと Different-Aware Selection – で構成されるコード翻訳フレームワークである。
3つのベンチマークでの実験結果は、SwiftTransが正確性と実行効率の両方で一貫した改善を実現していることを示している。
- 参考スコア（独自算出の注目度）: 21.642589721687724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While large language models (LLMs) have greatly advanced the functional correctness of automated code translation systems, the runtime efficiency of translated programs has received comparatively little attention. With the waning of Moore's law, runtime efficiency has become increasingly important for program quality, alongside functional correctness. Our preliminary study reveals that LLM-translated programs often run slower than human-written ones, and this issue cannot be remedied through prompt engineering alone. Therefore, our work proposes SwiftTrans, a code translation framework comprising two key stages: (1) Multi-Perspective Exploration, where MpTranslator leverages parallel in-context learning (ICL) to generate diverse translation candidates; and (2) Difference-Aware Selection, where DiffSelector identifies the optimal candidate by explicitly comparing differences between translations. We further introduce Hierarchical Guidance for MpTranslator and Ordinal Guidance for DiffSelector, enabling LLMs to better adapt to these two core components. To support the evaluation of runtime efficiency in translated programs, we extend existing benchmarks, CodeNet and F2SBench, and introduce a new benchmark, SwiftBench. Experimental results across all three benchmarks show that SwiftTrans achieves consistent improvements in both correctness and runtime efficiency.
- Abstract（参考訳）: 大規模言語モデル(LLM)は自動コード翻訳システムの機能的正当性を大幅に向上させているが、翻訳プログラムの実行効率は比較的低い。
ムーアの法則が消えるにつれ、実行効率は関数的正確性とともにプログラム品質にとってますます重要になっている。
予備研究により,LSM変換プログラムは人書きプログラムよりも動作が遅いことが判明した。
そこで本研究では,(1)MpTranslatorが並列テキスト内学習(ICL)を利用して多様な翻訳候補を生成するマルチパースペクティブ探索,(2)DiffSelectorが翻訳間の差異を明示的に比較することによって最適な候補を識別する差分認識選択という,2つの重要な段階からなるコード翻訳フレームワークであるSwiftTransを提案する。
さらに、MpTranslatorの階層的ガイダンスとDiffSelectorの順序的ガイダンスを導入し、LLMがこれらの2つのコアコンポーネントに適応できるようにする。
翻訳プログラムにおける実行効率の評価を支援するため、既存のベンチマークであるCodeNetとF2SBenchを拡張し、新しいベンチマークSwiftBenchを導入しました。
3つのベンチマークでの実験結果は、SwiftTransが正確性と実行効率の両方で一貫した改善を実現していることを示している。
関連論文リスト
- Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。
テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。
そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
論文 参考訳（メタデータ） (2026-02-02T09:14:51Z) - Bootstrapping Code Translation with Weighted Multilanguage Exploration [22.90890448332095]
本稿では,言語間のコード翻訳のためのブートストラップ手法であるBootTransを提案する。
その鍵となる考え方は、テストスイートの機能的不変性と言語間ポータビリティを活用することである。
本手法では, シードプールと探索プールを備えたデュアルプールアーキテクチャを導入し, トレーニングデータを段階的に拡張する。
論文 参考訳（メタデータ） (2026-01-07T01:56:44Z) - TRACY: Benchmarking Execution Efficiency of LLM-Based Code Translation [15.302454413096335]
LLM変換されたコードの実行効率を評価するために設計された,最初の総合ベンチマークであるTRACYを紹介する。
ベンチマークの結果は、C++、Java、Pythonで1,011のコード変換タスクで構成されている。
我々の研究は、将来のLLMベースのコード翻訳において、正確さと効率を共同最適化する必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-08-15T13:33:52Z) - Function-to-Style Guidance of LLMs for Code Translation [59.487054943812836]
コード翻訳における大規模言語モデルの性能向上を目的として,F2STransという関数型案内パラダイムを提案する。
提案手法は,(1)高品質なソースターゲットコードペアを用いた翻訳精度を最適化する機能学習という2つの重要な段階から構成される。
我々は,最新のソースコード,広範なテストケース,手動で注釈付き接頭辞翻訳を含む新しいコード翻訳ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-07-15T08:25:02Z) - InterTrans: Leveraging Transitive Intermediate Translations to Enhance LLM-based Code Translation [9.655135415596414]
コード翻訳は、あるプログラムをあるプログラミング言語(PL)から別のプログラミング言語に変換することを目的としている。
近年の研究では、大規模言語モデル(LLM)のような高度な技術でさえもタスクに苦戦していることが示されている。
LLMベースの自動コード翻訳手法であるInterTransを導入する。
論文 参考訳（メタデータ） (2024-11-01T22:31:32Z) - LLM-based Translation Inference with Iterative Bilingual Understanding [52.46978502902928]
大規模言語モデル(LLM)の言語間機能に基づいた,新しい反復的バイリンガル理解翻訳法を提案する。
LLMの言語横断的能力により、ソース言語とターゲット言語を別々にコンテキスト理解することが可能になる。
提案したIBUTは、いくつかの強力な比較法より優れている。
論文 参考訳（メタデータ） (2024-10-16T13:21:46Z) - TasTe: Teaching Large Language Models to Translate through Self-Reflection [82.83958470745381]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて顕著な性能を示した。
本稿では,自己回帰を通した翻訳を行うTasTeフレームワークを提案する。
WMT22ベンチマークにおける4つの言語方向の評価結果から,既存の手法と比較して,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-06-12T17:21:21Z) - Exploring and Unleashing the Power of Large Language Models in Automated Code Translation [40.25727029618665]
本稿では,自動翻訳タスクのための多種多様なLLMと学習ベーストランスパイラについて検討する。
UniTrans は、様々な LLM に適用可能な統一コード翻訳フレームワークである。
最近の3つのLLMはUniTransでテストされており、いずれも大幅に改善されている。
論文 参考訳（メタデータ） (2024-04-23T00:49:46Z) - Building Accurate Translation-Tailored LLMs with Language Aware Instruction Tuning [57.323716555996114]
オフターゲット翻訳は、特に低リソース言語では未解決の問題である。
最近の研究は、翻訳命令の機能を強調するために高度なプロンプト戦略を設計するか、LLMの文脈内学習能力を活用している。
本研究では,LLMの命令追従能力(特に翻訳方向)を向上させるために,2段階の微調整アルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-03-21T13:47:40Z) - LEVER: Learning to Verify Language-to-Code Generation with Execution [64.36459105535]
本稿では,プログラムの実行結果の検証を学習することで,言語からコードへの生成を改善するシンプルな手法であるLEVERを提案する。
具体的には、LLMからサンプリングされたプログラムが、自然言語入力、プログラム自体とその実行結果に基づいて正しいか否かを判定するために、検証者を訓練する。
LEVER はベースコード LLMs (4.6% から 10.9% まで) を継続的に改善し、それらすべてに対して新しい最先端の結果を得る。
論文 参考訳（メタデータ） (2023-02-16T18:23:22Z)
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。