論文の概要: Natural Language Code Retrieval for 1C:Enterprise: An Open Benchmark and Efficient Bi-Encoder

• arxiv url: http://arxiv.org/abs/2608.19957v1
• Date: Thu, 20 Aug 2026 12:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.561367
• Title: Natural Language Code Retrieval for 1C:Enterprise: An Open Benchmark and Efficient Bi-Encoder
• Title（参考訳）: 1C:Enterpriseのための自然言語コード検索:オープンベンチマークと効率的なバイエンコーダ
• Abstract要約: 実世界の3,413のPIIスクラブ型クエリコードペアのオープンベンチマークを提示する。 公開コードリポジトリから Google/gemma-4-26B-A4B-it によって生成される合成三重項 784,057 を微調整する。
• 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: Natural language code retrieval is a rapidly evolving task in computer science. However, the 1C:Enterprise ecosystem combines Russian syntax with highly domain-specific terminology, for which open datasets and specialized models have been virtually non-existent. We present a comprehensive pipeline for 1C code retrieval: an open benchmark of 3,413 real-world, PII-scrubbed query-code pairs, a reproducible evaluation harness, and a specialized bi-encoder. To overcome scarce labeled data, we fine-tune on 784,057 synthetic triplets generated by google/gemma-4-26B-A4B-it from public code repositories, using Matryoshka Representation Learning (MRL) and a privacy-aware tokenizer. Because the benchmark subsets differ in size, we report balanced-subset macro, query-weighted micro, and forum-only results. Our model reaches 0.5992 balanced macro nDCG@10, 0.5044 micro, and 0.4617 on forum, versus 0.4932 macro for the baseline architecture and 0.5404 for google/embeddinggemma-300m. Removing every benchmark example flagged by the conservative exact/13-gram overlap audit leaves 0.6011 balanced macro (0.5010 micro), indicating that detected train-benchmark overlap does not explain the headline result. MRL truncation to 256 dimensions preserves 99.9% of retrieval quality while reducing dense-index storage and exact similarity arithmetic by a factor of three.
• Abstract（参考訳）: 自然言語コード検索はコンピュータ科学において急速に進歩している課題である。 しかし、1C:Enterpriseのエコシステムは、ロシアの構文と、オープンデータセットと専門モデルが事実上存在しない、ドメイン固有の用語を組み合わせています。 実世界3,413のオープンベンチマーク,PII-Scrubbedクエリコードペア,再現可能な評価ハーネス,特別なバイエンコーダなど,1Cコード検索のための包括的なパイプラインを提案する。 ラベル付きデータの不足を克服するため,Google/gemma-4-26B-A4B-itで生成された784,057個の合成三重項をMatryoshka Representation Learning (MRL) とプライバシ認識トークンライザを用いて微調整した。 ベンチマークサブセットのサイズは異なるため、バランスの取れたサブセットマクロ、クエリ重み付けマイクロ、フォーラムのみの結果が報告される。 ベースラインアーキテクチャでは0.5992マクロ,google/embeddinggemma-300mでは0.5404マクロ,フォーラムでは0.5044マイクロ,0.4617マクロに到達した。 保守的な完全/13グラムのオーバーラップ監査レバー0.6011のバランスマクロ(0.5010マイクロ)でフラグ付けされたベンチマークの例を取り除いた結果、検出されたベンチマークのオーバーラップがヘッドラインの結果を説明できないことが示された。 256次元へのMRLの切り込みは、99.9%の検索品質を維持し、高密度インデックスストレージと正確な類似性演算を3倍に削減する。

関連論文リスト

• SA-Bench: Evaluating Semantic Alignment in LLM-Based Paper Reproduction [12.71956248550879]
  LLMエージェントは再生コードを生成することができるが、科学的に不誠実な実装をしばしば生成する。 我々は、この障害モードをセマンティックドリフトと定義し、生成されたコードは紙の仕様から静かに分岐する。 ICLR、ICML、NeurIPS 2025の30論文をカバーする診断ベンチマークであるSemanticAlign-Benchを紹介した。
  論文  参考訳（メタデータ） (2026-08-25T08:48:48Z)
• Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation [0.17188280334580194]
  地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用される。 古典的ニューラルアーキテクチャサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。 本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini2.5Pro)からなるエージェントNASシステムを提案する。
  論文  参考訳（メタデータ） (2026-08-14T02:41:37Z)
• MediaWiki Code2Code Search: Neural Retrieval for the Semantic Discovery of Open-Source Software Entities [0.5279475826661643]
  本稿では,意味的コード-コード発見のためのニューラル検索システムであるCode2 InformationCode Searchを紹介する。 2500以上の大規模リポジトリにまたがる構造的(関数,型,テンプレート)のコードにより,本システムは計算意図に基づく検索を可能にする。 我々はスプリットビルドアーキテクチャを採用し、CPUのみのサービス層から集中的なオフラインインデックスを分離しています。
  論文  参考訳（メタデータ） (2026-07-29T11:07:07Z)
• ScoreGate: Adaptive Chunk Selection for Retrieval-Augmented Generation via Dual-Score Statistical Fusion [0.0]
  本稿では,ScoreGateについて述べる。ScoreGateは軽量なスコア空間決定機構で,推定時刻における検索濃度を制御する。 MS MARCO (200 開発クエリ)では、ScoreGate は MRR@10 = 0.401 を達成する。 MS MARCOと実世界の生産トラフィックの結果から,適応的検索基準は検索品質を劣化させることなく,検索効率を向上させることが示唆された。
  論文  参考訳（メタデータ） (2026-06-12T08:51:24Z)
• Generalistic or Specific Embeddings, Which is Better? An Empirical Study on Search for Clinical Coding in Non-English Languages [1.2891210250935148]
  我々は、英語、スペイン語、カタルーニャ語、イタリア語、ポルトガル語、フランス語を含むジェミニ生成合成データに基づいて、2段階のレトリバー(ビエンコーダ、クロスエンコーダリランカー)を構築した。 バイエンコーダはMRRのBioBERT-ST(0.876 vs. 0.866)と一致し、R@3(0.650 vs. 0.626)とR@5(0.804 vs. 0.790)に勝っている。 クロスエンコーダのリランカを追加することで,集約されたR@5を0.822にリフトし,5言語中4言語(+0.0)で支配的になる。
  論文  参考訳（メタデータ） (2026-05-28T20:06:43Z)
• 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)
• CLARC: C/C++ Benchmark for Robust Code Search [2.225731679677886]
  現実のGitHubリポジトリから構築されたC/C++ベンチマークであるCLARCを紹介します。 Clarcには、評価用の1,245のクエリコードペアと、トレーニング用の5,472のペアが含まれている。
  論文  参考訳（メタデータ） (2026-03-04T18:57:37Z)
• MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
  MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。 SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
  論文  参考訳（メタデータ） (2025-06-05T16:34:57Z)
• Let the Code LLM Edit Itself When You Edit the Code [50.46536185784169]
  underlinetextbfPositional textbfIntegrity textbfEncoding (PIE) PIEは、標準的な完全再計算手法に比べて計算オーバーヘッドを85%以上削減する。 その結果、PIEは計算オーバーヘッドを標準の完全再計算手法に比べて85%以上削減することを示した。
  論文  参考訳（メタデータ） (2024-07-03T14:34:03Z)
• Linear-time Minimum Bayes Risk Decoding with Reference Aggregation [52.1701152610258]
  最小ベイズリスク(MBR、Minimum Bayes Risk)は、機械翻訳の品質向上を図ったテキスト生成技術である。 これは2次複雑性を持つ実用計量のペアワイズ計算を必要とする。 本稿では,集約された参照表現に対して計算したスコアを用いて,ペアワイズメトリックスコアを近似する。
  論文  参考訳（メタデータ） (2024-02-06T18:59:30Z)
• Tackling Long Code Search with Splitting, Encoding, and Aggregating [67.02322603435628]
  長いコード検索のための新しいベースラインSEA(Split, Encode, Aggregate)を提案する。 長いコードをコードブロックに分割し、これらのブロックを埋め込みにエンコードし、それらを集約して包括的な長いコード表現を得る。 エンコーダとしてGraphCodeBERTを使用すると、SEAはコードSearchNetベンチマークでGraphCodeBERTよりも10.1%高い0.785という総合的な平均逆ランキングスコアを達成する。
  論文  参考訳（メタデータ） (2022-08-24T02:27:30Z)
• CoSQA: 20,000+ Web Queries for Code Search and Question Answering [63.92224685262063]
  CoSQAデータセットには、自然言語クエリとコードのペア用の20,604ラベルが含まれている。 本稿では,クエリコードマッチングを強化するために,CoCLRと呼ばれる対照的な学習手法を提案する。 我々は,CodeXGLUEを同じCodeBERTモデルで評価し,CoSQAのトレーニングにより,コード質問応答の精度が5.1%向上したことを示す。
  論文  参考訳（メタデータ） (2021-05-27T15:37:21Z)

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。