論文の概要: If It's Not Buggy, Don't Fix It: On the Dynamics of Iterative Bug-fixing with LLMs
- arxiv url: http://arxiv.org/abs/2609.10123v1
- Date: Wed, 09 Sep 2026 13:00:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.0309
- Title: If It's Not Buggy, Don't Fix It: On the Dynamics of Iterative Bug-fixing with LLMs
- Title（参考訳）: バグがなければ修正しない - LLMによる反復バグフィックスのダイナミクスについて
- Abstract要約: 大規模言語モデル(LLM)はソフトウェア開発においてユビキタスになりつつある。
本稿では,LLMをバグフィックスとして反復的に利用する方法について検討する。
LLMが完全にバグのないプログラムのバグを常に検出しているのに対して、バグのないプログラムの修復率は、正しいプログラムに対するダメージよりも低い。
- 参考スコア（独自算出の注目度）: 5.86126693220242
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have become ubiquitous in software development, with LLM-based automated program repair tools increasingly used during code review. In this report, we explore the iterative blind use of LLMs as bug-fixers. Across multiple models and repair environments, we find that LLMs consistently claim to detect bugs in entirely bug-free programs while the rate of repair of buggy programs is less than that of the damage to correct programs. We also explore the long-term dynamics of this iterative process, and find that this frequently reaches a pseudo-bug-fixing cycle where the same changes are added and removed again ad infinitum. Lastly, via mechanistic probing, we unveil the existence of a steering vector which controls the editing propensity, suggesting that LLMs have an internal representation of ``buggy code", and that this representation is what is falsely activated to induce pseudo-bug fixing. These results provide insight towards the dynamics of fully autonomous bug-fixing systems, as well as stopping conditions under ambiguous goals.
- Abstract（参考訳）: 大規模言語モデル(LLM)はソフトウェア開発においてユビキタスになり、LLMベースの自動プログラム修復ツールがコードレビューでますます使われている。
本稿では,LLMをバグフィックスとして反復的に利用する方法について検討する。
複数のモデルと修復環境において,LSMはバグのないプログラムのバグを常に検出しているのに対して,バグの修正率は正しいプログラムのダメージよりも低い。
また、この反復プロセスの長期的ダイナミクスについても検討し、同じ変更を加えて再度アドインフィニトゥムを除去する擬似バグ修正サイクルに頻繁に到達していることを見出した。
最後に, メカニスティックな探索により, 編集精度を制御できるステアリングベクトルの存在を明らかにし, LLMの内部表現が `buggy code' であり, この表現が疑似バグ修正を誘導するために誤って活性化されていることを示唆する。
これらの結果は、完全自律的なバグフィックスシステムのダイナミクスに対する洞察と、曖昧な目標の下での状況の停止を提供する。
関連論文リスト
- Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors [52.619793817715326]
本稿では,LLM生成したPythonエラーメッセージを,多段階のクラウドソースで評価する。
LLMで書き直されたメッセージは主観評価を著しく向上させたが、これらの評価結果は客観的デバッグ性能の統計的に有意な改善には至らなかった。
これは重要なヒューマンとAIの相補性ギャップを浮き彫りにしている。
論文 参考訳（メタデータ） (2026-08-21T09:14:28Z) - Anchored Self-Play for Code Repair [68.0728003844994]
コード修復は言語モデル(LM)の重要な機能である
本稿では,1つのモデルを強化学習で訓練し,バグを生成して修正する__generator--fixer self-play__を提案する。
BugSourceBenchでは、セルフプレイは難しいが非現実的なバグへと向かっている。
本稿では,参照バグの生成と混合のためのコード埋め込み型類似性報酬をフィクスチャトレーニングに付加することにより,小さな参照セットでセルフプレイをアンロックするAnchored Self-Play (ASP)を提案する。
論文 参考訳（メタデータ） (2026-07-03T17:51:52Z) - SelfHeal: Empirical Fix Pattern Analysis and Bug Repair in LLM Agents [3.8743350688734988]
Stack Overflow、GitHub、HuggingFaceフォーラムからバギーなポストとコードスニペットを研究します。
我々は、LLMエージェントのバグに対する最初のベンチマークデータセットであるAgentDefectを紹介する。
LLMエージェントのバグ修正を目的としたマルチエージェントシステムであるSelfHealを提案する。
論文 参考訳（メタデータ） (2026-04-20T01:28:15Z) - InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。
対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
論文 参考訳（メタデータ） (2025-10-21T06:26:29Z) - RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models [49.83481415540291]
LLM(Large Language Models)は、コードのデバッグに非常に熟練している。
本稿ではマルチタスクおよび多言語リポジトリレベルのコードデバッグデータセットであるRepo Debugを紹介する。
最高のパフォーマンスモデルである Claude 3.5 Sonnect は,リポジトリレベルのデバッグでは依然としてうまく動作しない。
論文 参考訳（メタデータ） (2025-09-04T10:13:21Z) - Do AI models help produce verified bug fixes? [62.985237003585674]
大規模言語モデルは、ソフトウェアバグの修正に使用される。
本稿では,プログラマが大規模言語モデルを用いて,自身のスキルを補完する方法について検討する。
その結果は、プログラムバグに対する保証された修正を提供するAIとLLMの適切な役割への第一歩となる。
論文 参考訳（メタデータ） (2025-07-21T17:30:16Z) - PATCH: Empowering Large Language Model with Programmer-Intent Guidance and Collaborative-Behavior Simulation for Automatic Bug Fixing [34.768989900184636]
バグ修正は、ソフトウェア開発とメンテナンスにおいて重要な意味を持つ。
最近の研究は、ソフトウェアバグを自動的に解決する大規模言語モデル(LLM)の可能性を探ることに大きく貢献している。
論文 参考訳（メタデータ） (2025-01-27T15:43:04Z) - A Comprehensive Survey of AI-Driven Advancements and Techniques in Automated Program Repair and Code Generation [0.0]
最近27の論文がレビューされ、2つのグループに分けられた。
最初のグループは、意味的エラーの特定を含む、バグの検出と修復のための新しいメソッドで構成されている。
2つ目のグループはコード生成に精通しており、プログラミングとタスク固有のモデルのために微調整された汎用LLMの概要を提供している。
また、識別子認識トレーニング、命令レベルでの微調整、セマンティックコード構造の導入など、コード生成を改善する方法も提示されている。
論文 参考訳（メタデータ） (2024-11-12T06:47:54Z) - A Deep Dive into Large Language Models for Automated Bug Localization and Repair [12.756202755547024]
大規模言語モデル(LLM)は、自動プログラム修復(APR)など、様々なソフトウェアエンジニアリングタスクにおいて顕著な効果を示している。
本研究では,LSMを用いた自動バグ修正について深く検討する。
異なるLLMを用いてバグの局所化と修正を分離することにより、多様なコンテキスト情報の効果的な統合が可能になる。
Toggleは、CodeXGLUEコード改善ベンチマークで、新しい最先端(SOTA)パフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-04-17T17:48:18Z) - DebugBench: Evaluating Debugging Capability of Large Language Models [80.73121177868357]
DebugBench - LLM(Large Language Models)のベンチマーク。
C++、Java、Pythonの4つの主要なバグカテゴリと18のマイナータイプをカバーする。
ゼロショットシナリオで2つの商用および4つのオープンソースモデルを評価する。
論文 参考訳（メタデータ） (2024-01-09T15:46:38Z)
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。