論文の概要: Archer: Towards Agentic Review for Compiler Optimizations

• arxiv url: http://arxiv.org/abs/2607.01808v1
• Date: Thu, 02 Jul 2026 07:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.719697
• Title: Archer: Towards Agentic Review for Compiler Optimizations
• Title（参考訳）: Archer: コンパイラ最適化のためのエージェントレビューを目指して
• Abstract要約: Archerはコンパイラ最適化のための最初の自動エージェントコードレビューツールである。 過去2ヶ月で,70のオープンPRと328のクローズドPRをLLVMで評価した。
• 参考スコア（独自算出の注目度）: 2.4796712345498015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern compilers are frequently updated, but expert review capacity is highly limited, leading to delayed integration and, in some cases, subtle semantic bugs entering the compiler codebase. Automating the code review process with modern general code review agents may be feasible, but it faces critical challenges due to compiler complexity. In this paper, we use LLVM as our target compiler and present Archer, the first automated agentic code review tool for compiler optimizations. Archer constrains the agentic review process from both ends by using obligations to guide analysis and a deterministic validation guard to admit only findings backed by executable evidence. We evaluated Archer on 70 open PRs and 328 closed PRs in LLVM from the last two months. The review results are shocking and concerning: Archer discovers that 21% of open PRs and 11% of closed PRs are buggy, i.e, introducing semantic bugs such as miscompilations in LLVM. Our findings expose a critical gap in the capacity for critical review in large compiler projects and demonstrate the practical value of Archer as an additional reviewer.
• Abstract（参考訳）: 現代のコンパイラは頻繁に更新されるが、専門家のレビュー能力は非常に限られており、統合が遅れ、場合によってはコンパイラのコードベースに入る微妙なセマンティックなバグが発生する。 コードレビュープロセスを現代的な汎用コードレビューエージェントで自動化することは実現可能だが、コンパイラの複雑さのために重大な課題に直面している。 本稿では,LLVMを対象コンパイラとして使用し,コンパイラ最適化のための最初の自動エージェントコードレビューツールであるArcherを提示する。 アーチャーは、分析をガイドする義務と決定論的検証ガードを使用することで、双方の端からエージェントレビュープロセスを制限する。 過去2ヶ月でArcherを70のオープンPRと328のクローズドPRで評価した。 Archer氏はオープンPRの21%とクローズドPRの11%がバグ、すなわちLLVMに不正コンパイルのようなセマンティックバグを導入していることを発見している。 以上の結果から,大規模なコンパイラプロジェクトにおける批判的レビュー能力の限界が明らかとなり,新たなレビュアーとしてのArcherの実用的価値が示された。

関連論文リスト

• Can Coding Agents Implement Missed Compiler Optimizations? Evaluating LLM Agents on LLVM Peephole Optimizations [3.2479630553628156]
  実世界の欠落したピープホール最適化からタスクを構築する評価フレームワークであるピープホールベンチを紹介する。 我々は,LLVM の InstCombine パスで欠落したピープホール最適化の修正について,最先端のコーディングエージェントをベンチマークした。 正しさと収益性の間の緊張を観察し、同時に両方の次元において人間開発者と一致するエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-07-02T18:25:29Z)
• Understanding Agent-Based Patching of Compiler Missed Optimizations [22.677231886742547]
  ミスした最適化にパッチを当てるには、報告されたケースを単に修正する以上のことが必要です。 我々は,現実のLLVMの最適化問題に対するベンチマークを構築し,最適化範囲の観点から,エージェント生成パッチと開発者からのパッチを比較した。
  論文  参考訳（メタデータ） (2026-07-02T16:12:32Z)
• AgentCompile: An LLM-Guided Compiler for Direct CUDA Inference [58.285369364699]
  本稿では,LDM出力をアドバイザリ検索メタデータとしてのみ使用するLDM誘導型推論コンパイラであるAgentCompileを提案する。 コンパイラ由来の領域要約と境界付き候補空間が与えられた後、LLMはセマンティックラベル、候補優先順位、パラメータヒント、リスクアノテーションを提案する。 AgentCompileは、グラフテンプレートを通じて候補を実体化し、インターフェースとハードウェアの制約をチェックし、試験的に候補を検証する。 エンドツーエンドの自動回帰生成では、AgentCompileはQwen3-1.7B上のPyTorch上で平均5.66x、4.05x、4.26xのスピードアップを行う。
  論文  参考訳（メタデータ） (2026-06-04T03:49:56Z)
• Decaf: Improving Neural Decompilation with Automatic Feedback and Search [64.02615739798277]
  高レベルな構文、識別子、カスタムデータ型は一般的に失われ、コンパイラは人間可読なコードを低レベルなマシンコードに変換する。 生成AIモデルは、ハイレベルな構文、識別子、型を再構築するのに自然なものだ。 コンパイラフィードバックは,サーチによるニューラルデコンパイラ出力のセマンティックな正当性の向上に有効である,と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-12T04:21:26Z)
• SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks [55.76734816061826]
  我々は20の問題と93のチェックポイントからなる言語に依存しないベンチマークであるSlopCodeBenchを紹介する。 我々は、冗長性、重複コードの割合、構造的侵食という2つの軌道レベルの品質信号を追跡する。 11モデルにまたがるエンドツーエンドの問題を解決するエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-03-25T19:26:44Z)
• Agentic Harness for Real-World Compilers [22.07908620753322]
  我々は,コンパイラのバグの理解と修正において,大規模なコンパイラエージェントを支援するために設計されたエージェントハーネスを紹介する。 LLVMは最も広く使用されているコンパイラインフラストラクチャのひとつです。中央のto-autofixはエージェントフレンドリなLLVMツールで、LLVMバグを修正するための最小限のエージェント-autofix-miniです。
  論文  参考訳（メタデータ） (2026-03-20T15:56:43Z)
• Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
  Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。 kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。 kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:06:15Z)
• Counting Without Running: Evaluating LLMs' Reasoning About Code Complexity [2.7389338551082605]
  性能ボトルネックを予測するため,LLM(Large Language Models)のベンチマークを開発した。 FLOPBenchは577カーネルの単精度と倍精度のFLOP数を予測する。 われわれはFLOPBenchをLLMツールの開発に焦点をあてたテストベッドとして位置づけた。
  論文  参考訳（メタデータ） (2025-12-04T01:03:20Z)
• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• Fun with flags: How Compilers Break and Fix Constant-Time Code [0.0]
  コンパイラの最適化が定数時間コードをどのように壊すかを分析する。 キーとなる洞察は、パスの小さなセットが、ほとんどのリークの根元にあるということだ。 ソースコードの変更やカスタムコンパイラを必要としない,オリジナルかつ実践的な緩和を提案する。
  論文  参考訳（メタデータ） (2025-07-08T15:52:17Z)
• CompileAgent: Automated Real-World Repo-Level Compilation with Tool-Integrated LLM-based Agent System [52.048087777953064]
  リポジトリレベルのコンパイル専用のエージェントフレームワークであるCompileAgentを提案する。 CompileAgentは5つのツールとフローベースのエージェント戦略を統合し、コンパイル命令検索とエラー解決のためのソフトウェアアーチファクトとのインタラクションを可能にする。 提案手法は,10%から71%の範囲で,コンパイル成功率を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-05-07T08:59:14Z)
• RAG-Based Fuzzing of Cross-Architecture Compilers [0.8302146576157498]
  OneAPIは、開発者による最小限の努力で、クロスアーキテクチャなソフトウェア開発をサポートするオープンスタンダードである。 OneAPIはDPC++とC++コンパイラを提供しており、その正確性、信頼性、セキュリティを検証するために徹底的にテストする必要がある。 本稿では,検索拡張生成(RAG)の概念を統合した大規模言語モデル (LLM) ベースのコンパイラファジィツールを提案する。
  論文  参考訳（メタデータ） (2025-04-11T20:46:52Z)
• Finding Missed Code Size Optimizations in Compilers using LLMs [1.90019787465083]
  我々は,大規模言語モデルと一連の差分テスト戦略を組み合わせた新しいテスト手法を開発した。 当社のアプローチでは,実装に150行未満のコードが必要です。 現在までに、本番コンパイラの24のバグが報告されている。
  論文  参考訳（メタデータ） (2024-12-31T21:47:46Z)
• Dcc --help: Generating Context-Aware Compiler Error Explanations with Large Language Models [53.04357141450459]
  dcc --helpはCS1とCS2のコースにデプロイされ、2565人の学生が10週間で64,000回以上このツールを使っている。 LLMが生成した説明は、コンパイル時間の90%と実行時の75%で概念的に正確であるが、コードに解決策を提供しない命令を無視することが多かった。
  論文  参考訳（メタデータ） (2023-08-23T02:36:19Z)

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。