論文の概要: Line-Anchored Feedback Cuts Token Costs and Improves Correctness in AI Code Editing

• arxiv url: http://arxiv.org/abs/2607.12713v1
• Date: Tue, 14 Jul 2026 12:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.142354
• Title: Line-Anchored Feedback Cuts Token Costs and Improves Correctness in AI Code Editing
• Title（参考訳）: AIコード編集のコスト削減と正確性向上を実現したラインアンカレッドフィードバック
• Abstract要約: 生成トークンは、生成AI(GAI)コード編集のコスト、レイテンシ、エネルギの直接的なドライバである。 フィードバックの形式は3つすべてに対してレバーであることを示す。 ラインアンコールされたフィードバックは、より強力なモデルに費やされるコストを削減し、より弱いモデルで得られるコストを改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generated tokens are a direct driver of the cost, latency, and energy of generative AI (GAI) code editing. We show the format of feedback is a lever on all three. We compare two deliveries of the same requested changes: a holistic prompt (control) versus the structured, line-anchored export of FileMark (treatment). FileMark is a VSCodium extension for inline comments on any file. In a paired experiment line anchoring cut generated tokens by 22% (Claude Opus) and 58% (Claude Sonnet), reaching 24%-80% on files of 100 lines or more, with four of seven models generating significantly fewer tokens after multiple-testing correction. Correctness rose where models had headroom: +2.0 points pooled and +5 to +7 points for three of five local models. An exploratory experiment in which the harness, not the GAI model, applies function-level patches shows the correctness benefit grows further when the edit-application burden is lifted: local-model correctness on 100+ line files roughly triples under anchoring. Line-anchored feedback reduces what stronger models spend and improves what weaker models get right.
• Abstract（参考訳）: 生成トークンは、生成AI(GAI)コード編集のコスト、レイテンシ、エネルギの直接的なドライバである。 フィードバックの形式は3つすべてに対してレバーであることを示す。 同じ要求された変更の2つのデリバリを比較します。 全体的プロンプト(コントロール)と、FileMark(処理)の構造化されたラインアンコールエクスポートです。 FileMarkは、任意のファイルに対するインラインコメントのためのVSCodium拡張である。 2組の実験ラインアンカーで生成されたトークンを22%(Claude Opus)と58%(Claude Sonnet)でカットし、100行以上のファイルで24%-80%に達した。 モデルがヘッドルームを持つ場合の正確さは上昇し、+2.0ポイントはプールされ、+5から+7ポイントは5つのローカルモデルのうち3つで上昇した。 GAIモデルではなくハーネスを関数レベルパッチに適用した探索実験では、編集・アプリケーション負荷が軽減されると、その正しさがさらに向上する。 ラインアンコールされたフィードバックは、より強力なモデルに費やされるコストを削減し、より弱いモデルで得られるコストを改善する。

関連論文リスト

• Diffs vs. Whole Files: An Empirical Comparison of Iterative Edit-Based and Direct Generation for Flutter/Dart Code Models [0.0]
  直接生成と差分ベース生成という2つの出力方式で2つのコードモデルをトレーニングします。 直接生成は、測度毎に差分ベースの生成を大幅に上回る。 差分ベースの生成が勝つ条件の背後にある、アーキテクチャに依存しない単一のメカニズムを特定します。
  論文  参考訳（メタデータ） (2026-09-05T00:13:49Z)
• Prompt Design at Scale: How Format, Instruction Count, and Context Length Shape Instruction Adherence and Hallucination in Large Language Models [0.0]
  2つの実験は、保持された汚染のない合成コーパス上の3つの因子全てを横断する。 実験1では,規則数Nが10から160に増加するにつれて,命令追従減衰を測定する。 実験2では, 2k-to-512k-tokenのコンテキストラグ上での精度, 虚偽の前提条件, ファクトファクトファクトファクチャリングの測定を行った。
  論文  参考訳（メタデータ） (2026-07-21T16:31:35Z)
• Lossless but Not Free: An Empirical Anatomy of Speculative Decoding on Consumer Hardware [0.0]
  大規模言語モデルのシングルストリーム自動回帰復号化は、メモリ帯域幅によって制限される。 小さなドラフトモデルは、自動回帰的に$K$トークンを提案し、ターゲットモデルは、これらすべてを1回のバッチパスでスコアする。 本稿では、CUDA/MPS/CPUの実装と、5つのドラフト/ターゲットバックエンド構成に関する実証的研究を紹介する。
  論文  参考訳（メタデータ） (2026-07-19T15:01:35Z)
• Taming the Drift: Context-aware Repair of Dockerfile Drift during Software Evolution [52.50730821321986]
  Cadreは、Dockerfileの自動ドリフト修復のためのコンテキスト認識フレームワークである。 CDGは、各Dockerfile命令をファイルレベルとインストラクション間の依存関係にマップする。 DodeXはGitHub Actions CIログから現実のDockerfileドリフトインスタンスをマイニングする。
  論文  参考訳（メタデータ） (2026-07-14T09:12:26Z)
• Gauge dependence and structured-output corruption in sign-branched repetition penalties: measurements across models, inference stacks, and alternative repetition controls [0.0]
  罰則は明確に定義されていない。 それは構造化された出力を損なう。 200の現実世界のスキーマでは、theta=1.3は有効なスキーマ変換出力の率を97%から23%に下げる。
  論文  参考訳（メタデータ） (2026-07-09T05:11:22Z)
• PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation [51.92442051257354]
  PairCoderは、実行のみではなく、完全な公式メトリックスイート上で、アーティファクトが検証可能なすべてのベンチマークを本質的に改善する。 TikZのコンパイルレートは、各モデルで10から30ポイント、シングルモデルの2.9から9.2倍である。
  論文  参考訳（メタデータ） (2026-07-02T08:36:02Z)
• CAVEWOMAN: How Large Language Models Behave Under Linguistic Input and Output Compression [77.41779716950387]
  本稿では,2チャンネル評価プロトコルであるCavewomanについて述べる。 我々は5つのデータセットの8つのモデルを5つの還元レベルで評価し、両方のチャネルは同じ項目で測定した。
  論文  参考訳（メタデータ） (2026-06-23T02:56:48Z)
• Residual Decoder Adapter: ID-Preserving Tokenizer Adaption for Autoregressive Text Rendering [92.43552212966732]
  Visual Autoregressive (AR)モデルは、視覚的トークン化器によってデコードされた離散トークンを予測して画像を生成する。 全体的な画像生成能力は高いが、ぼやけたストロークと文字の形を乱したテキストレンダリングでは依然として性能が劣っている。 トークン空間を変更することなく既存のトークン化器を更新するResidual Decoder Adapter(RDA)を提案する。
  論文  参考訳（メタデータ） (2026-06-01T08:47:17Z)
• Diagnosing Overhead in Dispatch Operations: Cross-architecture Observatory [1.081571058570587]
  AlltoAllのディスパッチは、MoEの専門家並列性の主要なボトルネックである。 ワークロードに関する2つの仮定をテストするために、DODOCOを導入します。 EPのスケーリングは、各アーキテクチャの計測可能な範囲内で、専門家ごとの最大/平均トークン比を5%以上変更する。
  論文  参考訳（メタデータ） (2026-05-20T10:14:00Z)
• Roll Out and Roll Back: Diffusion LLMs are Their Own Efficiency Teachers [76.15132587294862]
  Wide-In, Narrow-Out (WINO) は、リボッキング可能な並列生成を可能にするトレーニング不要の復号アルゴリズムである。 WINO+は、WINOが生成した検証された認知軌道をモデルパラメータに注入し、トレーニングを効率的な推論と整合させる。 LLaDAとMMaDAの実験では、WINOは品質と効率の両方を改善し、WINO+はこの進歩をさらに強化している。
  論文  参考訳（メタデータ） (2026-05-16T11:27:40Z)
• Copy-as-Decode: Grammar-Constrained Parallel Prefill for LLM Editing [2.6382975801439836]
  LLMは、入力中にほとんどのトークンが冗長に見える場合でも、全出力を自動回帰的に再生することでテキストとコードを編集する。 Copy-as-Decodeは、2プリミティブ文法上の構造化復号化として生成を再キャストする復号化機構である。
  論文  参考訳（メタデータ） (2026-04-20T12:29:53Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• SDSAT: Accelerating LLM Inference through Speculative Decoding with Semantic Adaptive Tokens [4.5888031410244885]
  意味適応トークン(SDSAT)を用いた投機的復号化による大規模言語モデル(LLM)の高速化手法を提案する。 この設計の主な目的は、LLMモデルの精度を損なうことなく、より正確にドラフトトークンを生成する能力を高めることである。 CodeLlama-13B と 7B で実施された実験では、それぞれ3.5X と 3.0X 以上の速度向上が達成されている。
  論文  参考訳（メタデータ） (2024-03-27T14:54:27Z)
• FastLR: Non-Autoregressive Lipreading Model with Integrate-and-Fire [74.04394069262108]
  我々は,全てのターゲットトークンを同時に生成する非自己回帰(NAR)リップリーダーモデルであるFastLRを提案する。 FastLRは最先端のリップリーダーモデルと比較して10.97$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2020-08-06T08:28:56Z)

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。