論文の概要: Characterizing the Quality Profile of AI-Generated C++ in Production
- arxiv url: http://arxiv.org/abs/2608.06640v1
- Date: Thu, 06 Aug 2026 23:15:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.30303
- Title: Characterizing the Quality Profile of AI-Generated C++ in Production
- Title（参考訳）: 生産におけるAI生成C++の品質プロファイルの特徴付け
- Abstract要約: 我々は、AI生成したコードが、毎日何十億ものユーザーが頼りにしている大企業のグローバル製品の生産品質に与える影響を調査する。
この研究は、2025年4月から2026年4月までにAIによって生成されたC++コードの大規模な実証分析を行い、この企業のブラウンフィールド全体で352万のコード変更を追跡した。
AI生成のC++コードは、インターフェースと結合率の向上、コピーとアロケーションのオーバーヘッド、最適化された標準APIよりも明示的なループに依存しているため、明確な品質プロファイルを持つことがわかった。
- 参考スコア（独自算出の注目度）: 6.667995929144105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread integration of AI coding assistants offers undeniable boosts to engineering velocity. Yet, recent studies point to a growing trade-off, revealing persistent challenges with code quality and maintainability. Industry leaders, including frontier AI labs, echo these concerns. As large language models are increasingly relied upon to author production code, understanding their impact on shipped software quality has become a critical priority. However, assessing these effects in industrial workflows remains difficult due to observability barriers. We study the impact of AI-generated code on production quality within a large enterprise operating global products relied upon by billions of users daily. Driven by this scale and user trust, the organization values code quality and has built thorough observability for every line of code deployed into production, enabling us to overcome measurement barriers to assess these effects. This study presents a large-scale empirical analysis of AI-generated C++ code from April 2025 to April 2026, tracking 3.52 million code changes across this enterprise's brownfield codebase. The core purpose is to understand the quality, performance, and maintenance characteristics of AI-generated code compared to human-written code in a production environment at scale. We find that AI-generated C++ code has a distinct quality profile, showing higher rates of interface and coupling burdens, copy and allocation overheads, and a reliance on explicit loops over optimized standard APIs. These issues translate into tangible downstream costs, including increased review effort and a 5-8% increase in compute resource consumption. However, we demonstrate that providing models with targeted, taxonomy-informed feedback can mitigate these effects, leading to an 11.1% reduction in targeted static analysis warnings and improved computational efficiency.
- Abstract（参考訳）: AIコーディングアシスタントの広範な統合により、エンジニアリングのベロシティが向上する。
しかし、最近の研究は、コード品質と保守性に関する永続的な課題を露呈し、トレードオフが拡大していることを示している。
フロンティアAIラボを含む業界のリーダーたちは、これらの懸念を反映している。
大規模言語モデルは、著者のプロダクションコードにますます依存しているため、出荷されたソフトウェア品質に対する彼らの影響を理解することが、重要な優先事項となっている。
しかし、これらの影響を産業ワークフローで評価することは、可観測性障壁のため難しいままである。
我々は、AI生成したコードが、毎日何十億ものユーザーが頼りにしている大企業のグローバル製品の生産品質に与える影響を調査する。
このスケールとユーザ信頼によって、組織はコード品質を評価し、本番環境にデプロイされたコード行毎に徹底的な監視可能性を構築しました。
この研究は、2025年4月から2026年4月までにAIが生成するC++コードの大規模な実証分析を行い、この企業のブラウンフィールドコードベースにおける352万のコード変更を追跡した。
主な目的は、大規模生産環境での人書きコードと比較して、AI生成コードの品質、パフォーマンス、メンテナンス特性を理解することである。
AI生成のC++コードは、インターフェースと結合の負担の増大、コピーとアロケーションのオーバーヘッド、最適化された標準APIよりも明示的なループに依存しているため、明確な品質プロファイルを持つことがわかった。
これらの問題は、レビューの取り組みの増加や、計算リソース消費の5-8%の増加など、明確なダウンストリームコストに変換される。
しかし,これらの効果を緩和し,標的とした静的解析警告を11.1%削減し,計算効率を向上させることが実証された。
関連論文リスト
- On Automated and Explainable Provenance of AI-Generated Code [56.818202904805446]
次世代のCodeGenAIツールは、説明可能な証明の基礎の上に構築されなければならない、と我々は主張する。
本稿では,大規模実証研究とポストホック因果・解釈可能性技術を組み合わせた研究プログラムについて述べる。
論文 参考訳（メタデータ） (2026-08-03T14:50:31Z) - Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild [13.35459155979355]
我々は6,275のGitHubリポジトリから304,362の認証済みAI認証コミットのデータセットを構築します。
484,606の異なる問題を特定し、コードの臭いは最も一般的な型であり、すべての問題の89.1%を占めています。
これらの結果は、AI生成コードは、実際のソフトウェアプロジェクトに長期のメンテナンスコストをもたらす可能性があることを示している。
論文 参考訳（メタデータ） (2026-03-30T15:38:05Z) - A Large-Scale Empirical Study of AI-Generated Code in Real-World Repositories [11.883159173351743]
実世界のリポジトリから収集したAI生成コードについて,大規模な実証的研究を行った。
複雑度,構造特性,欠陥関連指標などのコードレベルの特性について検討する。
我々の研究は、AI支援開発が従来の人間主導開発とどのように異なるかを強調した。
論文 参考訳（メタデータ） (2026-03-28T04:40:44Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - More Code, Less Reuse: Investigating Code Quality and Reviewer Sentiment towards AI-generated Pull Requests [1.2314765641075438]
大規模言語モデル(LLM)エージェントは急速に進歩しており、コード生成のような開発タスクを支援するためにLLMエージェントの利用が増加している。
既存のメトリクスは、パスレートのみを計測し、長期的な保守性と可読性への影響を反映しない。
コードメトリクスに基づいてPR内のコード品質と保守性を観察し、人間とLLM世代の両方からのプルリクエストに対する客観的特性と開発者の反応を評価する。
論文 参考訳（メタデータ） (2026-01-29T05:13:21Z) - AI builds, We Analyze: An Empirical Study of AI-Generated Build Code Quality [0.0]
ソフトウェア開発におけるAIコーディングエージェントの急速な採用は、それらが生成するコードの品質と保守性に関する重要な疑問を提起している。
このデータマイニングの課題は、実世界のGitHubリポジトリからエージェントプルリクエストをキャプチャする、最初の大規模でオープンソースのデータセットであるAIDevに焦点を当てている。
私たちは364のメンテナンス性とセキュリティ関連のビルドの臭いを、さまざまな重大度レベルにわたって特定しました。
論文 参考訳（メタデータ） (2026-01-23T15:40:28Z) - A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。
我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。
PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
論文 参考訳（メタデータ） (2025-11-19T19:18:28Z) - Code Aesthetics with Agentic Reward Feedback [84.67242022647002]
大きな言語モデル(LLM)は、コード関連のタスクにおいて開発者にとって貴重なアシスタントになっている。
LLMは視覚的に指向するコーディングタスクに苦労し、しばしば準最適美学を生み出す。
LLM生成コードの美的品質を高めるための新しいパイプラインを導入する。
論文 参考訳（メタデータ） (2025-10-27T12:32:33Z) - ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。
提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。
現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
論文 参考訳（メタデータ） (2025-06-02T05:11:21Z) - A case study on the transformative potential of AI in software engineering on LeetCode and ChatGPT [0.0]
本研究は,LeetCode ユーザによる Python プログラムのソフトウェア品質と GPT-4o によるソフトウェア品質を比較し,方法論的アプローチを採用する。
この結果から, GPT-4oはコード品質, 可理解性, 実行時において, 限られたスケールでコードを生成する場合に, かなりの障害を生じさせないことが示唆された。
論文 参考訳（メタデータ） (2025-01-07T09:15:25Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - Static Code Analysis in the AI Era: An In-depth Exploration of the
Concept, Function, and Potential of Intelligent Code Analysis Agents [2.8686437689115363]
我々は、AIモデル、エンジニアリングプロセス設計、従来の非AIコンポーネントを組み合わせた新しい概念である、Intelligent Code Analysis Agent (ICAA)を紹介する。
我々は、バグ検出精度を大幅に改善し、偽陽性率は基準値の85%から66%まで減少し、60.8%の有望なリコール率を得た。
この課題にもかかわらず、ICAAはソフトウェアの品質保証に革命をもたらす可能性を示唆している。
論文 参考訳（メタデータ） (2023-10-13T03:16:58Z)
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。