論文の概要: Fine-Tuning Qwen3-27B for C-to-Rust Code Translation: A Three-Stage Curriculum of Pretraining, Debugging-Aware SFT, and Task-Specific SFT
- arxiv url: http://arxiv.org/abs/2608.13681v1
- Date: Thu, 13 Aug 2026 18:24:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.185834
- Title: Fine-Tuning Qwen3-27B for C-to-Rust Code Translation: A Three-Stage Curriculum of Pretraining, Debugging-Aware SFT, and Task-Specific SFT
- Title（参考訳）: C-to-Rustコード翻訳のための微調整Qwen3-27B:事前学習・デバッグ対応SFT・タスク特化SFTの3段階カリキュラム
- Abstract要約: 本報告では,Qwen3-27Bに適用した3段階の微調整カリキュラムについて述べる。
C2Rust(C2Rust)翻訳タスクのモデルを段階的に特殊化するように設計されている。
SACTORのエージェント的静的解析誘導検証フレームワークを用いて,結果モデルの評価を行った。
- 参考スコア（独自算出の注目度）: 32.52081475702783
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Translating C code into safe, idiomatic Rust is a longstanding software-engineering goal because it can eliminate entire classes of memory-safety vulnerabilities while preserving the functional behavior of legacy systems. Large language models (LLMs) have shown promise for this task but typically underperform when applied off-the-shelf, since general-purpose pretraining rarely emphasizes idiomatic Rust generation, cross-language semantic equivalence, or the ability to reason about and repair compiler/runtime feedback. In this report we describe a three-stage fine-tuning curriculum applied to Qwen3-27B that is designed to progressively specialize the model for the C-to-Rust (C2Rust) translation task: (1) continued pretraining on Rust-centric corpora to strengthen the model's prior over idiomatic Rust syntax and standard-library usage; (2) supervised fine-tuning (SFT) on the microsoft/Verus_Training_Data dataset to instill debugging and self-repair behavior over Rust code; and (3) task-specific SFT on paired C/Rust solutions derived from LeetCode problems to teach direct semantic translation. We evaluate the resulting model using the agentic, static-analysis-guided verification framework of SACTOR, which performs structure-aware, two-phase (unidiomatic to idiomatic) translation with foreign-function-interface (FFI)-based end-to-end (E2E) testing. We report success rate, idiomaticity (Clippy lint counts, unsafe-code fraction), and failure-mode analyses, and compare our fine-tuned model against baseline Qwen3-27B and other LLMs evaluated under the same framework.
- Abstract（参考訳）: Cコードを安全かつ慣用的なRustに変換することは、レガシーシステムの機能的振る舞いを保ちながら、メモリセーフな脆弱性の全クラスを排除できるため、長年にわたってソフトウェアエンジニアリングの目標である。
汎用事前トレーニングでは、慣用的なRust生成や言語間のセマンティックな等価性、コンパイラ/ランタイムフィードバックの推論と修正の能力がほとんど強調されないため、大きな言語モデル(LLM)は、このタスクを約束するが、一般的にはオフザシェルフを適用するとパフォーマンスが低下する。
本稿では,C-to-Rust(C2Rust)翻訳タスクのモデルを段階的に専門化するために,Qwen3-27Bに適用された3段階の微調整カリキュラムについて述べる。(1)慣用的なRust構文と標準ライブラリ使用に関するモデルの事前学習を継続すること,(2)microsoft/Verus_Training_Dataデータセットの教師付き微調整(SFT)により,Rustコード上でのデバッグと自己修復の動作を補うこと,(3)LeetCode問題から派生したペアC/Rustソリューション上のタスク特化SFTについて述べる。
本研究では,外部関数インタフェース(FFI)に基づくエンドツーエンド(E2E)テストによる構造認識・二相変換を行うSACTORのエージェント的静的解析誘導検証フレームワークを用いて,結果モデルの評価を行った。
我々は、成功率、慣用性(Clippy lint counts, unsafe-code fractions, and failure-mode analysisを報告し、同じフレームワークで評価されたベースラインQwen3-27Bや他のLCMと比較した。
関連論文リスト
- From C to Idiomatic Rust: A Ship-of-Theseus Agentic Translation [0.13537117504260618]
C言語はオペレーティングシステム、組み込みプラットフォーム、ネットワークインフラストラクチャを基盤としています。
Rustは静的オーナシップと借用モデルを通じて障害モードの大部分を排除し、メモリの安全性とコンパイル時の制約のエイリアスを強制する。
本稿では,まずセマンティクスを保存する非慣用的なRustベースラインを生成し,エージェントAIを用いてそれを慣用的なRustにインクリメンタルに書き換える移行手法を提案する。
論文 参考訳（メタデータ） (2026-07-30T21:00:27Z) - Towards Reliable C-to-Rust Translation with Rule-Guided Reasoning and Reinforcement Learning [21.45219780181232]
自動C-to-Rust翻訳のための大規模言語モデルを活用することが、有望な方向として現れている。
本稿では2つのモジュールからなる規則誘導推論とrEinforcement Learning(TRAVEL)を提案する。
最初のモジュールはMonte Carlo Tree Search (MCTS)ベースの推論パスで、Rust固有のルールでガイドされている。
2つ目のモジュールは、実行フィードバックと推論品質のシグナルを結合する強化学習を導入し、プログラムのセマンティクスを正確にキャプチャする推論パスを構築するようモデルに促している。
論文 参考訳（メタデータ） (2026-07-22T09:50:01Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。
静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。
LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
論文 参考訳（メタデータ） (2026-02-04T00:12:30Z) - Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。
本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
論文 参考訳（メタデータ） (2026-01-09T02:38:24Z) - EvoC2Rust: A Skeleton-guided Framework for Project-Level C-to-Rust Translation [17.560908544319094]
EvoC2Rustは、完全なCプロジェクトを同等のRustに変換する自動化フレームワークである。
プロジェクトレベルの翻訳には骨格誘導翻訳戦略を採用している。
論文 参考訳（メタデータ） (2025-08-06T10:31:23Z) - CRUST-Bench: A Comprehensive Benchmark for C-to-safe-Rust Transpilation [51.18863297461463]
CRUST-Benchは100のCリポジトリのデータセットで、それぞれが安全なRustとテストケースで手書きのインターフェースとペアリングされている。
我々は、このタスクで最先端の大規模言語モデル(LLM)を評価し、安全で慣用的なRust生成が依然として難しい問題であることを確認した。
最高のパフォーマンスモデルであるOpenAI o1は、ワンショット設定で15タスクしか解決できない。
論文 参考訳（メタデータ） (2025-04-21T17:33:33Z) - RustMap: Towards Project-Scale C-to-Rust Migration via Program Analysis and LLM [13.584956125542396]
Rustは、Cのパフォーマンスを維持しながら、優れたメモリ安全性を提供する。
C2Rustのような既存の自動翻訳ツールは、構文的、テンプレートベースの翻訳に依存しすぎている可能性がある。
本稿では,新しい依存誘導型大規模言語モデル (LLM) をベースとしたC-to-Rust変換手法であるRustMapを提案する。
論文 参考訳（メタデータ） (2025-03-22T11:57:45Z) - LLM-Driven Multi-step Translation from C to Rust using Static Analysis [27.122409727034192]
レガシー言語で書かれたソフトウェアをCからRustなどのモダン言語に翻訳することは、メモリ安全性を改善する上で大きなメリットがある。
LLM駆動型C-to-Rustゼロショット変換ツールであるSACTORを2段階の翻訳手法を用いて提案する。
SACTORは、既存の方法と比較して、より自然でRustに準拠した翻訳を生成する。
論文 参考訳（メタデータ） (2025-03-16T14:05:26Z) - SVTRv2: CTC Beats Encoder-Decoder Models in Scene Text Recognition [77.28814034644287]
テキストの不規則性や言語コンテキストのモデル化が可能なCTCモデルであるSVTRv2を提案する。
我々は,SVTRv2を標準ベンチマークと最近のベンチマークの両方で広範囲に評価した。
SVTRv2は精度と推論速度の点でほとんどのEDTRを超越している。
論文 参考訳（メタデータ） (2024-11-24T14:21:35Z) - RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。
複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
論文 参考訳（メタデータ） (2024-11-21T10:00:52Z)
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。