論文の概要: Recall Before Rerank: Benchmarking Deep Learning Models for Large-Scale Code-to-Code Retrieval

• arxiv url: http://arxiv.org/abs/2606.27401v1
• Date: Wed, 24 Jun 2026 13:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.272543
• Title: Recall Before Rerank: Benchmarking Deep Learning Models for Large-Scale Code-to-Code Retrieval
• Title（参考訳）: リコール前のリコール:大規模コード間検索のためのディープラーニングモデルのベンチマーク
• Abstract要約: 本稿では,大規模なコード・ツー・コード検索エンジンにおける第1段階のリコールのための,現代のディープラーニングモデルの有効性,効率,拡張性について検討する。 本稿では,LLMに基づくコード正規化とクエリ書き換え方式を提案する。
• 参考スコア（独自算出の注目度）: 1.4062671086456253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic code search and clone detection are essential for software development, maintenance, and reuse. This paper evaluates the effectiveness, efficiency, and scalability of contemporary deep learning models for first-stage recall in large-scale code-to-code search engines. Benchmarking across multiple programming languages and datasets reveals critical limits in the precision and scalability of these models on Terabyte-scale source-code collections. We present LLM-based code normalisation and query-rewriting schemes that yield significant gains in precision for lower-performing models. Our results question the sustainability of resource-constrained deployment and the assumed robustness of current code-specialised LLMs across datasets. We conclude with actionable insights for building scalable, efficient code-retrieval systems.
• Abstract（参考訳）: セマンティックコード検索とクローン検出は、ソフトウェア開発、保守、再利用に不可欠である。 本稿では,大規模なコード・ツー・コード検索エンジンにおける第1段階のリコールのための,現代のディープラーニングモデルの有効性,効率,拡張性について検討する。 複数のプログラミング言語やデータセットをベンチマークすると、テラバイト規模のソースコードコレクション上でこれらのモデルの精度とスケーラビリティの限界が明らかになる。 本稿では,LLMに基づくコード正規化とクエリ書き換え方式を提案する。 本研究は,資源制約されたデプロイメントの持続可能性と,データセット間の現在のコード特定LCMのロバスト性について考察した。 スケーラブルで効率的なコード検索システムを構築するための実用的な洞察で締めくくります。

関連論文リスト

• Code Fingerprints: Disentangled Attribution of LLM-Generated Code [7.515488307576106]
  生成したコードに責任を負うソースLLMを決定することを目的とした,モデルレベルのコード属性の問題について検討する。 本稿では、ソース非依存のセマンティック情報とソース-特異なスタイル表現を分離するDisentangled Code Attribution Network (DCAN)を提案する。 4つのプログラミング言語で広く使われている4つの大規模言語モデル(LLM)が生成するコードからなる,最初の大規模ベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2026-03-04T15:58:36Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• OpenCodeReasoning-II: A Simple Test Time Scaling Approach via Self-Critique [59.18475981916166]
  OpenCodeReasoning-IIは、250万の質問解決批判三部作からなるデータセットである(約35万のユニークなプログラミング質問)。 本研究では,2段階の教師付き微調整戦略を採用する。第1段階はコード生成のための微調整に焦点を当て,第2段階はコード生成と批判の両方のためのモデルの共同トレーニングを行う。特に,コード生成と批判モデルの統合は,競争力のある符号化性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-07-11T23:35:54Z)
• Seed-Coder: Let the Code Model Curate Data for Itself [41.69830870792126]
  8Bサイズの一連のオープンソースモデルであるSeed-Coderを紹介します。 我々のコードはモデル中心のデータパイプラインによって生成される。 Seed-Coderは、同じサイズのオープンソースモデルの中で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-04T03:17:19Z)
• RETROcode: Leveraging a Code Database for Improved Natural Language to Code Generation [10.19019476978683]
  本稿では,シーケンス・ツー・シーケンス・モデルに対するRETROアーキテクチャの新たな適応であるRETROcodeを提案する。 以上の結果から,RETROcode はテストセット上での類似サイズの従来型アーキテクチャよりも優れるだけでなく,はるかに大きな Codex モデルの有効性にもアプローチすることが示唆された。
  論文  参考訳（メタデータ） (2025-04-08T07:41:13Z)
• Enhancing Code LLMs with Reinforcement Learning in Code Generation: A Survey [14.942504483776432]
  コード生成と最適化のための重要なテクニックとして強化学習(RL)が登場した。 本稿では,コード最適化と生成におけるRLの適用について,系統的な調査を行った。
  論文  参考訳（メタデータ） (2024-12-29T06:15:41Z)
• OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models [76.59316249991657]
  コードのための大規模言語モデル(LLM)は、コード生成、推論タスク、エージェントシステムなど、さまざまな領域で必須になっている。 オープンアクセスのコード LLM はプロプライエタリなモデルの性能レベルに近づきつつあるが、高品質なコード LLM は依然として限られている。 トップクラスのコードLLMであるOpenCoderは、主要なモデルに匹敵するパフォーマンスを達成するだけでなく、研究コミュニティの"オープンクックブック"としても機能します。
  論文  参考訳（メタデータ） (2024-11-07T17:47:25Z)
• Exploring Data-Efficient Adaptation of Large Language Models for Code Generation [64.5583894165813]
  コード生成のための誤り駆動学習を用いたデータ効率向上のための新しい適応手法DEEDを提案する。 実験により、他の主流の微調整手法と比較して、DEEDは訓練データが少なく、優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-02-29T16:09:02Z)
• StepCoder: Improve Code Generation with Reinforcement Learning from Compiler Feedback [58.20547418182074]
  2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。 CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。 FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。 提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-02-02T13:14:31Z)
• LLM-Assisted Code Cleaning For Training Accurate Code Generators [53.087019724256606]
  コードの品質を調査した結果,より構造化され,読みやすくなれば,コード生成性能が向上することがわかった。 私たちは、これらの原則を使って既存のプログラムを変換する、新しいデータクリーニングパイプラインを構築します。 提案手法を2つのアルゴリズムコード生成ベンチマークで評価した結果,微調整のCodeLLaMa-7Bでは,元のデータセットの微調整に比べて最大30%性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-11-25T02:45:50Z)

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。