論文の概要: CoRaCommit: A VS Code Extension for Commit Message Generation with Exemplar Retrieval

• arxiv url: http://arxiv.org/abs/2606.19814v1
• Date: Thu, 18 Jun 2026 05:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.666986
• Title: CoRaCommit: A VS Code Extension for Commit Message Generation with Exemplar Retrieval
• Title（参考訳）: CoRaCommit: 例の検索付きコミットメッセージ生成のためのVSコード拡張
• Authors: Chaoran Cai, Bo Xiong, Chong Wang, Lulu He, Peng Liang,
• Abstract要約: CoRaCommitは、同様のコミット例をプロンプトコンテキストとして検索することで、コミットメッセージ生成を強化するVS Codeエクステンションである。 ApacheCMデータセットから945のコミットに関する実験結果によると、CoRaCommitはBLEU、CIDEr、METEOR、ROUGE-Lメトリクスで既存のVS Code拡張機能を上回っている。
• 参考スコア（独自算出の注目度）: 15.83659217400708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commit messages are essential textual artifacts that describe the intent behind code changes, and play a critical role in version control, code review, and historical tracking. However, in practice, commit messages are primarily authored manually, which is time-consuming and often results in inconsistent quality and non-uniform expression. Existing VS Code extensions for commit message generation typically directly invoke large language models based on the code diff, without leveraging similar commit exemplars as references, and rarely support user feedback-driven LLM recommendation. To address these limitations, this paper presents CoRaCommit, a VS Code extension that enhances commit message generation by retrieving similar commit exemplars as prompt context, invoking multiple LLMs in parallel for candidate commit message comparison, and dynamically recommending LLMs based on user feedback. Experimental results on 945 commits from the ApacheCM dataset show that CoRaCommit outperforms existing VS Code extensions across BLEU, CIDEr, METEOR, and ROUGE-L metrics, demonstrating the effectiveness of retrieval-augmented context for commit message generation.
• Abstract（参考訳）: コミットメッセージは、コード変更の背後にある意図を記述し、バージョン管理、コードレビュー、履歴追跡において重要な役割を果たす、必須のテキストアーティファクトである。 しかし実際には、コミットメッセージは主に手動で作成され、時間がかかり、しばしば一貫性のない品質や一様でない表現をもたらす。 コミットメッセージ生成のための既存のVS Code拡張機能は、通常、コード差分に基づく大きな言語モデルを直接呼び出し、類似のコミット例を参照として利用せずに、ユーザフィードバック駆動のLLMレコメンデーションをサポートすることはめったにない。 この制限に対処するため、CoRaCommitはVS Codeの拡張機能で、類似のコミット例をプロンプトコンテキストとして検索し、候補のコミットメッセージ比較のために複数のLMを並列に呼び出し、ユーザフィードバックに基づいてLLMを動的に推奨することで、コミットメッセージ生成を強化する。 ApacheCMデータセットの945コミットの実験結果によると、CoRaCommitはBLEU、CIDEr、METEOR、ROUGE-Lメトリクスの既存のVS Code拡張機能よりも優れており、コミットメッセージ生成の検索強化コンテキストの有効性が示されている。

関連論文リスト

• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• CoRaCMG: Contextual Retrieval-Augmented Framework for Commit Message Generation [17.392708936075223]
  Commit Message Generationは、コード差分から記述的なコミットメッセージを自動的に生成し、開発者の労力を削減し、メッセージ品質を向上させることを目的としている。 本稿では,3つのフェーズで構成されたCommit Message Generationのためのコンテキスト検索拡張フレームワークであるCoRaCMGを提案する。 CoRaCMGは、プロジェクト固有の用語やスタイルを検索したdiff-messageペアから学習することを可能にする。
  論文  参考訳（メタデータ） (2025-09-22T19:00:04Z)
• SelfRACG: Enabling LLMs to Self-Express and Retrieve for Code Generation [75.03316572094514]
  textbfSelfRACG は,大規模な言語モデル (LLM) がtextbfRACG を強化するために必要な情報を表現できる新しいパラダイムである。 SelfRACGには、情報要求表現モジュールと、2段階の情報要求誘導トレーニング戦略が含まれており、LLMが情報要求を表現することを奨励している。 大規模な実験により、SelfRACGはLLM自身の情報要求によく適合する外部知識を回収できることが示され、バニラRACGよりも優れた世代性能が得られる。
  論文  参考訳（メタデータ） (2025-07-25T07:42:01Z)
• An Empirical Study on Commit Message Generation using LLMs via In-Context Learning [26.39743339039473]
  コミットメッセージは、自然言語のコード変更を簡潔に記述する。 我々は,大規模言語モデル (LLM) とテキスト内学習 (ICL) の武器を借りてコミットメッセージを生成することを提案する。
  論文  参考訳（メタデータ） (2025-02-26T07:47:52Z)
• Long Code Arena: a Set of Benchmarks for Long-Context Code Models [75.70507534322336]
  Long Code Arenaは、プロジェクト全体のコンテキストを必要とするコード処理タスクのための6つのベンチマークスイートである。 これらのタスクは、ライブラリベースのコード生成、CIビルドの修復、プロジェクトレベルのコード補完、コミットメッセージ生成、バグローカライゼーション、モジュールの要約といった、コード処理のさまざまな側面をカバーする。 各タスクに対して、テスト用の手作業によるデータセット、評価スイート、オープンソースのベースラインソリューションを提供しています。
  論文  参考訳（メタデータ） (2024-06-17T14:58:29Z)
• Text-like Encoding of Collaborative Information in Large Language Models for Recommendation [58.87865271693269]
  BinLLMはLarge Language Models for Recommendation (LLMRec)とシームレスに連携する新しい手法である。 BinLLMは、外部モデルからの協調的な埋め込みをバイナリシーケンスに変換する。 BinLLMは、ドット決定記法を用いてバイナリシーケンスを圧縮するオプションを提供し、過度に長い長さを避ける。
  論文  参考訳（メタデータ） (2024-06-05T12:45:25Z)
• Commit Messages in the Age of Large Language Models [0.9217021281095906]
  コード変更に基づいてコミットメッセージを生成するOpenAIのChatGPTの性能を評価する。 本稿では、ChatGPTを用いて得られた結果と、コミットデータに特化して訓練された以前の自動コミットメッセージ生成手法を比較した。
  論文  参考訳（メタデータ） (2024-01-31T06:47:12Z)
• Using Large Language Models for Commit Message Generation: A Preliminary Study [5.5784148764236114]
  大規模言語モデル(LLM)はコミットメッセージを自動かつ効果的に生成するために使用することができる。 366サンプルの78%では, LLMが生成したコミットメッセージが人間によって最高のものと評価された。
  論文  参考訳（メタデータ） (2024-01-11T14:06:39Z)
• Description-Based Text Similarity [59.552704474862004]
  我々は、その内容の抽象的な記述に基づいて、テキストを検索する必要性を特定する。 そこで本研究では,近隣の標準探索で使用する場合の精度を大幅に向上する代替モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-21T17:14:31Z)

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。