論文の概要: Can Large Language Models Recover Semantic Optimization Opportunities That Compilers Miss?

• arxiv url: http://arxiv.org/abs/2608.03983v1
• Date: Tue, 04 Aug 2026 17:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 17:47:10.517933
• Title: Can Large Language Models Recover Semantic Optimization Opportunities That Compilers Miss?
• Title（参考訳）: 大規模言語モデルは、コンパイラが失敗するセマンティック最適化の機会を取り戻せるか?
• Abstract要約: 大型言語モデル(LLM)は異種C/C++コンテキストから有効セマンティクスを復元することができる。 SeGaBenchは、100の合成ケースと20のソースバックケースを含む実行可能なベンチマークである。 最強のモデルは94.8%のレスポンスで正しいアーティファクトを生成し、83.3%で少なくとも1.05倍のスピードアップを達成し、93.3%のケースでパフォーマンスに成功している。
• 参考スコア（独自算出の注目度）: 5.989315760622425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing compilers miss profitable transformations when their enabling semantics are absent from the analyzed program representation. We ask whether large language models (LLMs) can recover such semantics from heterogeneous C/C++ context and realize them as validated, contract-preserving artifacts. We introduce SeGaBench, an executable benchmark containing 100 synthetic and 20 source-backed cases spanning low-level assumptions, data-structure invariants, and high-level semantic lifting. Each case includes hidden enabling semantics, an oracle artifact, correctness and semantic validators, and a reproducible performance protocol. We evaluate five LLMs using five independent responses per case. The strongest model produces correct artifacts in 94.8% of responses, achieves at least 1.05x speedup in 83.3%, and obtains a performance success on 93.3% of cases. Nevertheless, correct artifacts often close only part of the oracle gap. These results show that LLMs can complement compiler analysis as speculative semantic proposers, provided that their artifacts are validated and evaluated.
• Abstract（参考訳）: コンパイラの最適化は、分析されたプログラム表現から有効セマンティクスが欠如している場合、収益的な変換を見逃す。 我々は,大規模言語モデル (LLM) が異種C/C++コンテキストからそのような意味を復元できるかどうかを問う。 低レベルの仮定、データ構造不変量、高レベルのセマンティックリフティングにまたがる100の合成ケースと20のソースバックケースを含む実行可能なベンチマークであるSeGaBenchを紹介する。 それぞれのケースには、隠蔽可能なセマンティックス、オラクルアーティファクト、正確性とセマンティックバリデータ、再現可能なパフォーマンスプロトコルが含まれている。 症例ごとの5つの独立応答を用いた5つのLCMの評価を行った。 最強のモデルは94.8%のレスポンスで正しいアーティファクトを生成し、83.3%で少なくとも1.05倍のスピードアップを達成し、93.3%のケースでパフォーマンスに成功している。 それでも、正しいアーティファクトは、しばしばオラクルのギャップの一部だけを閉じる。 これらの結果から,LLMはコンパイラ解析を投機的セマンティック・プロジェクタとして補完し,それらのアーティファクトが検証され評価されることが示唆された。

関連論文リスト

• CHISEL-ing Back Source Code with AI-enabled Iterative Recovery [7.946261291068861]
  Decompilationは、バイナリから高レベル、コンパイル可能、セマンティックに等価なコードを復元することを目的としている。 従来の逆コンパイラは読みにくく、コンパイルできない擬似Cを生成するが、最近のLCM支援アプローチは読みやすいが意味的に正しくないコードを生成する。 本稿では,Ghidra由来の擬似Cから反復的にソースコードを復元するテストスイートフリーフレームワークであるCHISELを提案する。
  論文  参考訳（メタデータ） (2026-08-28T06:49:21Z)
• Benchmarking LLMs for Verilog Design Flows [6.24010225101442]
  大規模言語モデル(LLM)は、コード生成において有望であるが、正しい合成可能なハードウェア記述言語(HDL)コードを生成する能力は、まだ適切にベンチマークされている。 本稿では,Verilog RTL 生成におけるオープンソース LLM の評価を行う再現可能なベンチマークプラットフォームを提案する。 このパイプラインは構文の妥当性を0%から70.43%に改善し、シミュレーションパスレートは3つのオープンソースモデルで51.8%に向上した。
  論文  参考訳（メタデータ） (2026-07-23T21:00:38Z)
• SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers [55.39407031861402]
  本稿では,スマートコントラクトデコンパイルのためのデータセットとベンチマーク手法であるSCDBenchを紹介する。 データセットには600の現実のSolidityコントラクトと、ペア化されたバイトコード入力、地味なソースコード、再生可能なセマンティックチェックポイントが含まれている。 我々は,GLM-5の変種を含むゼロショット逆コンパイル設定において,Claude Opus 4.7,GPT-5.3-Codex,GLM-5を評価した。
  論文  参考訳（メタデータ） (2026-05-27T20:08:47Z)
• Constraint-Guided Multi-Agent Decompilation for Executable Binary Recovery [47.704311990064554]
  脱コンパイルは、セキュリティ分析、マルウェアのリバースエンジニアリング、レガシーソフトウェアメンテナンスに不可欠である。 マルチレベル制約誘導型デコンパイル(MCGD)により,デコンパイルされたコードを再実行可能なソースに変換するマルチエージェントフレームワークを提案する。 本フレームワークは,84～97%の再実行性を実現し,28～89ポイントのベースラインデコンパイラ出力を改善した。
  論文  参考訳（メタデータ） (2026-04-27T01:28:11Z)
• ReLoop: Structured Modeling and Behavioral Verification for Reliable LLM-Based Optimization [6.572539312871392]
  大規模言語モデル(LLM)は、自然言語を最適化コードに変換することができるが、サイレント障害は重大なリスクをもたらす。 2つの相補的な方向からサイレント障害に対処するReLoopを紹介します。
  論文  参考訳（メタデータ） (2026-02-17T20:20:33Z)
• AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
  既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。 このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
  論文  参考訳（メタデータ） (2026-02-10T06:58:26Z)
• Anka: A Domain-Specific Language for Reliable LLM Code Generation [0.0]
  大規模言語モデル(LLM)は、複雑な多段階プログラミングタスクの体系的なエラーを示す。 明示的で制約のある構文で設計されたデータ変換パイプライン用のドメイン固有言語()であるAnkaを紹介します。 Ankaは100のベンチマーク問題に対して99.9%のパース成功と95.8%のタスク精度を達成した。
  論文  参考訳（メタデータ） (2025-12-29T05:28:17Z)
• Beyond Synthetic Benchmarks: Evaluating LLM Performance on Real-World Class-Level Code Generation [3.9189409002585567]
  大規模言語モデル(LLM)は関数レベルのコード生成ベンチマークで強い性能を示している。 本稿では,実環境下での一般化を評価するために,実世界のオープンソースリポジトリから得られたベンチマークを紹介する。 入力仕様の完全性と検索拡張生成が複数の最先端LCMのクラスレベルの正しさにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2025-10-30T04:30:23Z)
• EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking [58.15568681219339]
  大規模言語モデル(LLM)を評価するための新しいベンチマークであるEquiBenchを紹介する。 このタスクは、プログラムのセマンティクスについて推論するモデルの能力を直接テストする。 19の最先端LCMを評価し、最も難しいカテゴリでは、最高の精度は63.8%と76.2%であり、50%のランダムベースラインよりわずかに高い。
  論文  参考訳（メタデータ） (2025-02-18T02:54:25Z)
• GRATH: Gradual Self-Truthifying for Large Language Models [63.502835648056305]
  GRATH(Gradual Self-Truthifying)は,大規模言語モデル(LLM)の真偽性を高めるためのポストプロセッシング手法である。 GRATHは、反復的に真理データを洗練し、モデルを更新する。 GRATHはTruthfulQAの最先端性能を達成し、MC1の精度は54.71%、MC2の精度は69.10%であり、70B-LLMよりも高い。
  論文  参考訳（メタデータ） (2024-01-22T19:00:08Z)
• See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
  この課題を解決するために,LMMのカスケードと共同学習手法を提案する。 得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
  論文  参考訳（メタデータ） (2023-12-13T18:58:04Z)
• Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
  大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。 コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:12:58Z)

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。