論文の概要: FeatX: Editing Software by Editing Features for Repository-Level Code Evolution
- arxiv url: http://arxiv.org/abs/2606.31206v1
- Date: Tue, 30 Jun 2026 06:38:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.104855
- Title: FeatX: Editing Software by Editing Features for Repository-Level Code Evolution
- Title（参考訳）: FeatX: リポジトリレベルのコード進化のための機能を編集してソフトウェアを編集する
- Abstract要約: FeatXはフィーチャを編集してソフトウェアを編集する機能指向ツールである。
認知負荷を著しく低減し、バニラChatGPTと比較してユーザビリティを向上させる。
- 参考スコア（独自算出の注目度）: 8.159773653089081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are increasingly used for software evolution, yet most interaction paradigms remain code-centric and require manual context management and prompt iteration. We present FeatX, a feature-oriented tool for editing software by editing features. Given an existing repository, FeatX extracts a hierarchical epic-feature structure with explicit feature-to-code mappings, then invokes a three-stage Evolution Agent to translate feature edits into code patches. The workflow is exposed through four coordinated panels. Across a controlled user study and replay experiments on 38 real-world feature-editing commits, FeatX significantly reduces cognitive load and improves usability compared with vanilla ChatGPT. It also achieves a 42.6\% relative improvement in function-level modification localization F1 over strong LLM baselines, at substantially lower cost (\$0.07 in total). The tool and collected dataset are available at https://github.com/a496263365/FeatX/tree/demo, with a demonstration video at https://youtu.be/OZqKZ4Ii-yM.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、ソフトウェア進化にますます使われていますが、ほとんどの相互作用パラダイムはコード中心であり、手動のコンテキスト管理と迅速なイテレーションが必要です。
FeatXはフィーチャを編集してソフトウェアを編集する機能指向ツールである。
既存のリポジトリが与えられた場合、FeatXは明示的なフィーチャー・ツー・コードマッピングを備えた階層的なエピック・フィーチャー構造を抽出し、3段階のEvolution Agentを呼び出して、機能の編集をコードパッチに翻訳する。
ワークフローは4つの調整されたパネルを通して公開されます。
FeatXは38の現実世界の機能編集コミットに関するコントロールされたユーザスタディとリプレイ実験を通じて、認知負荷を大幅に削減し、バニラChatGPTと比較してユーザビリティを向上させる。
また、強力なLCMベースラインに対する関数レベルの修正ローカライゼーション F1 の相対的な改善を42.6 % のコストで実現している(合計0.07 ドル)。
ツールと収集されたデータセットはhttps://github.com/a496263365/FeatX/tree/demoで、デモビデオはhttps://youtu.be/OZqK4Ii-yMで公開されている。
関連論文リスト
- Semantically Aligned Gradient-Driven Context-Preserving Image Editing [32.85393969503569]
IABEditは、識別可能なセマンティック検証をトレーニングに組み込む、モデルに依存しないフレームワークである。
IABEdit は U-Net (Stable Diffusion) や MMDiT (FLUX) など様々なバックボーンと互換性がある。
論文 参考訳（メタデータ） (2026-09-11T10:37:32Z) - ARISE: A Repository-level Graph Representation and Toolset for Agentic Fault Localization and Program Repair [0.0]
ARISE (Agentic Repository-level Issue Solving Engine) は,マルチグラニュラリティプログラムグラフを用いたLLMエージェントを拡張したものである。
ARISEはこのグラフを3層ツールAPIを通じて公開し、データフロースライシングをファーストクラスのクエリ可能なエージェントプリミティブとして提供する。
我々は、Qwen2.5-Coder-32B-Instructをバックボーンとして、SWE-bench Lite(300の実際のGitHubイシュー、11のPythonレポジトリ)を評価した。
論文 参考訳（メタデータ） (2026-05-04T19:59:23Z) - To Diff or Not to Diff? Structure-Aware and Adaptive Output Formats for Efficient LLM-based Code Editing [54.399335188667045]
BlockDiffとFuncDiffは構造対応のdiffフォーマットで、変更を構文的に一貫性のあるユニットのブロックレベルの書き換えとして表現する。
AdaEdit は LLM に与えられたdiff フォーマットと全コードの間で最もトークン効率の良いフォーマットを動的に選択するよう訓練する一般的な適応編集戦略である。
論文 参考訳（メタデータ） (2026-04-30T01:14:13Z) - Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance [55.32799307123252]
本稿では,既存のビデオ編集ペアを高忠実度トレーニング四重項に変換するスケーラブルなデータ生成パイプラインを提案する。
本稿では,学習可能なクエリと参照セマンティックガイダンスのための潜在視覚特徴を相乗化する統合編集アーキテクチャKiwi-Editを提案する。
論文 参考訳（メタデータ） (2026-03-02T18:46:28Z) - Pull Requests as a Training Signal for Repo-Level Code Editing [49.82435173554125]
Clean Pull Request(Clean-PR)は、現実のGitHubプルリクエストをリポジトリレベルの編集のトレーニングシグナルとして活用する、トレーニング中のパラダイムである。
ノイズの多いプルリクエストの差分を,再構築と検証を通じて検索/リプレース編集ブロックに変換する,スケーラブルなパイプラインを導入する。
SWE-benchでは,SWE-bench Liteが13.6%,SWE-bench Verifiedが12.3%,命令調整ベースラインが大幅に向上した。
論文 参考訳（メタデータ） (2026-02-07T09:22:25Z) - VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement [66.13644883379087]
MLLMを用いた3次元オブジェクト配置における3つの課題に対処する。
まず、MLLMの弱い視覚的基盤に対処するために、MPPベースのAPIを導入する。
第2に、MLLMの3Dシーン理解を、特殊な視覚ツール群で強化する。
第3に,反復的かつエラーを起こしやすい更新を管理するために,協調的なマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-26T19:22:39Z) - PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing [35.392342990789324]
Paper Debuggerは、インエディター、マルチエージェント、プラグインベースの学術書記アシスタントである。
デモでは、ローカライズされた編集、構造化されたレビュー、並列エージェントの実行、diffベースの更新など、完全に統合されたワークフローを紹介しました。
論文 参考訳（メタデータ） (2025-12-02T10:00:37Z) - FeatInsight: An Online ML Feature Management System on 4Paradigm Sage-Studio Platform [41.020058596549035]
FeatInsightは、機能設計、ストレージ、可視化、計算、検証、系統管理を含む、機能ライフサイクル全体をサポートするシステムである。
FeatInsightは4ParadigmのSage Studioプラットフォーム上で100以上の現実シナリオにデプロイされている。
論文 参考訳（メタデータ） (2025-04-01T13:39:45Z) - Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。
既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。
これらの課題を克服するために、新しい方法論とデータセットを導入します。
論文 参考訳（メタデータ） (2024-12-17T08:47:41Z) - ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。
LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文 参考訳（メタデータ） (2023-11-16T12:03:21Z)
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。