論文の概要: ConcoLixir: Reactive LLM Discovery Oracles for Python Concolic Testing

• arxiv url: http://arxiv.org/abs/2606.26545v1
• Date: Thu, 25 Jun 2026 02:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.147454
• Title: ConcoLixir: Reactive LLM Discovery Oracles for Python Concolic Testing
• Title（参考訳）: ConcoLixir: Python Concolic TestingのためのリアクティブLLMディスカバリオラクル
• Authors: Dong Chen, Chih-Duo Hong, Fang Yu,
• Abstract要約: 衝突テストは、具体的な実行と象徴的な制約解決を組み合わせる。 提案するConcoLixirは,Python コンコリック実行のためのリアクティブ LLM 拡張である。
• 参考スコア（独自算出の注目度）: 7.101944264699855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concolic testing combines concrete execution with symbolic constraint solving, but Python programs expose recurring limits. Library calls can cause symbolic variables to downgrade to concrete values. Regular expressions, checksums, parsers, and other semantic operations can be hard to solve, and exploration can plateau on already covered paths. We present ConcoLixir, a reactive LLM extension for Python concolic execution. The LLM acts as a discovery oracle, not a replacement for the solver or a correctness oracle. It generates initial seeds, proposes concrete inputs after solver failures, and targets uncovered code when coverage stalls. Each candidate is executed concolically, and only observed coverage and collected path constraints guide later exploration. Across synthetic, real-world, and library targets, ConcoLixir improves mean line coverage over the baseline concolic tester without an LLM oracle by 8.6, 15.1, and 17.0 percentage points. The gains are strongest near semantic barriers and library boundaries, and the full evaluation costs \$1.63 in API charges. These results show that bounded LLM discovery can complement symbolic reasoning without replacing it.
• Abstract（参考訳）: 衝突テストは、具体的な実行と象徴的な制約解決を組み合わせたものだが、Pythonプログラムは繰り返し制限を公開する。 ライブラリ呼び出しはシンボル変数を具体的な値にダウングレードさせる可能性がある。 正規表現、チェックサム、パーサ、その他のセマンティック操作は解決が困難であり、探索は既にカバーされたパスをプラトーにすることができる。 提案するConcoLixirは,Python コンコリック実行のためのリアクティブ LLM 拡張である。 LLMは発見オラクルとして機能し、ソルバや正当性オラクルの代わりにはならない。 初期シードを生成し、ソルバ障害後の具体的なインプットを提案し、カバレッジの停止時に未発見のコードをターゲットにする。 それぞれの候補は共謀的に実行され、観察されたカバレッジと収集された経路制約のみが後の探索を導く。 ConcoLixirは、合成、現実世界、ライブラリーのターゲット全体にわたって、LLMオラクル無しのベースラインのココリックテスターの平均ラインカバレッジを8.6、15.1、および17.0ポイント改善する。 セマンティックな障壁やライブラリの境界付近でゲインが最多であり、API料金の完全な評価コストは1.63ドルである。 これらの結果から,LLMの有界な発見は,それを置き換えることなく記号的推論を補完できることが示された。

関連論文リスト

• Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
  大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。 我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
  論文  参考訳（メタデータ） (2026-05-12T17:15:45Z)
• Python Symbolic Execution with LLM-powered Code Generation [40.906079949304726]
  シンボリック実行はソフトウェアテストにおいて重要な技術であり、シンボリックパスの制約を収集してテストケースを生成する。 シンボリック実行は高いカバレッジテストケースを生成する上で有効であることが証明されている。 本稿では,実行経路制約を解決するために,SMTソルバ,Z3を自動的に呼び出すエージェント LLM-Sym を提案する。
  論文  参考訳（メタデータ） (2024-09-14T02:43:20Z)
• LLMs Meet Library Evolution: Evaluating Deprecated API Usage in LLM-based Code Completion [13.633501449498402]
  APIの使用を分解することは、大規模言語モデル(LLM)ベースのコード補完の問題である。 この研究には、7つの高度なLLM、人気のあるPythonライブラリの145のAPIマッピング、28125の補完プロンプトが含まれていた。 本稿では,REPLACEAPIとINSERTPROMPTの2つの軽量固定手法を提案する。
  論文  参考訳（メタデータ） (2024-06-14T08:44:10Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• ALGO: Synthesizing Algorithmic Programs with LLM-Generated Oracle Verifiers [60.6418431624873]
  大きな言語モデル(LLM)は、機能記述からコードを実装するのに優れているが、アルゴリズムの問題に悩まされている。 我々は,アルゴリズムプログラムを LLM 生成 Oracle で合成するフレームワーク ALGO を提案し,その生成をガイドし,その正確性を検証する。 実験の結果,ALGOを装着すると,Codexモデルよりも8倍,CodeTよりも2.6倍の1サブミッションパス率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T00:10:15Z)
• Large Language Models are Strong Zero-Shot Retriever [89.16756291653371]
  ゼロショットシナリオにおける大規模検索に大規模言語モデル(LLM)を適用するための簡単な手法を提案する。 我々の手法であるRetriever(LameR)は,LLM以外のニューラルモデルに基づいて構築された言語モデルである。
  論文  参考訳（メタデータ） (2023-04-27T14:45:55Z)

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。