論文の概要: Retrieval-Augmented Generation for Scientific Code Understanding
- arxiv url: http://arxiv.org/abs/2609.12190v1
- Date: Thu, 10 Sep 2026 20:28:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.541152
- Title: Retrieval-Augmented Generation for Scientific Code Understanding
- Title（参考訳）: 科学的コード理解のための検索補助生成
- Abstract要約: 本研究は,計算負荷を推論から逸脱させることで,小さなオープンソースモデルを中心に,有効な完全局所符号化エージェントを構築することができるかどうかを考察する。
我々は、高価なオフライン取り込みステージ解析、構造グラフ構築、LCM生成エンティティ説明、軽量オンライン応答ステージからの埋め込みを厳密に分離する科学的コード理解のための検索型拡張生成システム(RAG)を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models have become central to modern coding assistants, but state-of-the-art systems such as Claude Code or Codex rely on very large, cloud-hosted models with significant computational cost and data-privacy implications. This work investigates whether a useful, fully local coding agent can be built around small open-source models by shifting the computational burden away from inference. We develop a Retrieval-Augmented Generation (RAG) system for scientific code understanding that strictly separates an expensive offline ingestion stage parsing, structural graph construction, LLM-generated entity explanations, and embedding from a lightweight online answering stage. The system is evaluated on a 100-question benchmark spanning eleven categories over the IPPL scientific codebase written in C++, with answers scored by an independent frontier model as the judge. Across seven answering models, we find that model family and retrieval quality matter more than parameter count, i.e. a 9B model achieves the highest average score (0.795), outperforming both larger models within our pipeline and the same models embedded in the Claude Code retrieval architecture. The results indicate that front-loading code understanding into a reusable, codebase-specialised vector store enables small local models to deliver grounded and repository-specific answers, making the agent well suited as a privacy-preserving development tool for in-house scientific codebases.
- Abstract（参考訳）: 大規模言語モデルは現代のコーディングアシスタントの中心となっているが、Claude CodeやCodexのような最先端のシステムは、計算コストとデータプライバシに大きく依存している。
本研究は,計算負荷を推論から逸脱させることで,小さなオープンソースモデルを中心に,有効な完全局所符号化エージェントを構築することができるかどうかを考察する。
我々は、高価なオフライン取り込みステージ解析、構造グラフ構築、LCM生成エンティティ説明、軽量オンライン応答ステージからの埋め込みを厳密に分離する科学的コード理解のための検索型拡張生成システム(RAG)を開発した。
このシステムは、C++で書かれたIPPL科学コードベース上の11のカテゴリにまたがる100のベンチマークで評価され、独立したフロンティアモデルによって判断される。
7つの解答モデル全体で、モデルファミリーと検索品質がパラメータ数以上であること、すなわち9Bモデルが最も高い平均スコア(0.795)を達成し、パイプライン内の大きなモデルとClaude Code検索アーキテクチャに埋め込まれた同じモデルの両方を上回ります。
その結果,再利用可能なコードベース特化ベクタストアへのフロントエンドコードの理解により,小さなローカルモデルによる基礎的およびリポジトリ固有の回答の提供が可能となり,エージェントが社内の科学コードベースのプライバシ保護開発ツールとして適していることが明らかになった。
関連論文リスト
- AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design [27.154390712714264]
我々は,折りたたみモデル開発を,実行可能なコードバリアントに対するクローズドループ検索として定式化するフレームワークであるAgentFoldを提案する。
一致した計算予算の下で、AgentFoldは、独立したCodex提案よりも最高のlDDTを7.5%改善する。
結果として生じる介入の痕跡は、反復的な経験的デザインパターンを示す。
論文 参考訳（メタデータ） (2026-08-27T07:38:16Z) - Recall Before Rerank: Benchmarking Deep Learning Models for Large-Scale Code-to-Code Retrieval [1.4062671086456253]
本稿では,大規模なコード・ツー・コード検索エンジンにおける第1段階のリコールのための,現代のディープラーニングモデルの有効性,効率,拡張性について検討する。
本稿では,LLMに基づくコード正規化とクエリ書き換え方式を提案する。
論文 参考訳（メタデータ） (2026-06-24T13:41:36Z) - QiboAgent: a practitioner's guideline to open source assistants for Quantum Computing code development [0.632324422931024]
本稿では,QiboAgentについて紹介する。QiboAgentは,量子コンピューティングにおけるコーディングアシスタント開発のための実践者のガイドラインとして設計されたリファレンス実装である。
我々は、カスタムワークフローアーキテクチャを備えた軽量でオープンソースのLarge Language Modelsがどのように比較されているかを探る。
このハイブリッドアプローチは、コード生成における幻覚率をプロプライエタリなベースラインと比較して著しく低減し、90.2%のピーク精度を実現している。
論文 参考訳（メタデータ） (2026-03-16T17:05:06Z) - Code Fingerprints: Disentangled Attribution of LLM-Generated Code [7.515488307576106]
生成したコードに責任を負うソースLLMを決定することを目的とした,モデルレベルのコード属性の問題について検討する。
本稿では、ソース非依存のセマンティック情報とソース-特異なスタイル表現を分離するDisentangled Code Attribution Network (DCAN)を提案する。
4つのプログラミング言語で広く使われている4つの大規模言語モデル(LLM)が生成するコードからなる,最初の大規模ベンチマークデータセットを構築した。
論文 参考訳（メタデータ） (2026-03-04T15:58:36Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - Loong: Synthesize Long Chain-of-Thoughts at Scale through Verifiers [103.4410890572479]
スケーラブルな合成データ生成と検証のためのオープンソースのフレームワークであるLoong Projectを紹介します。
LoongBenchは、12のドメインにまたがる8,729の人為的なサンプルを含む、キュレートされたシードデータセットである。
LoongEnvはモジュラー合成データ生成環境であり、新しい質問応答コードのトリプルを生成する複数のプロンプト戦略をサポートする。
論文 参考訳（メタデータ） (2025-09-03T06:42:40Z) - Towards A Generalist Code Embedding Model Based On Massive Data Synthesis [35.04242699869519]
汎用コード検索のための最先端の埋め込みモデルである textbfCodeR (underlineCode underlineRetrieval) を導入する。
CodeRの優れたパフォーマンスは、DRU原則に基づいて構築された大規模な合成データセットであるCodeR-Pile上に構築されている。
論文 参考訳（メタデータ） (2025-05-19T04:37:53Z) - Learning to Solve and Verify: A Self-Play Framework for Code and Test Generation [69.62857948698436]
大規模言語モデル(LLM)の最近の進歩は、コーディングベンチマークのパフォーマンスを改善している。
しかし、手軽に利用できる高品質なデータの枯渇により、改善は停滞している。
本稿では,単一モデルのコードとテスト生成能力を共同で改善するセルフプレイ・ソルバ検証フレームワークであるSol-Verを提案する。
論文 参考訳（メタデータ） (2025-02-20T18:32:19Z) - OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models [76.59316249991657]
コードのための大規模言語モデル(LLM)は、コード生成、推論タスク、エージェントシステムなど、さまざまな領域で必須になっている。
オープンアクセスのコード LLM はプロプライエタリなモデルの性能レベルに近づきつつあるが、高品質なコード LLM は依然として限られている。
トップクラスのコードLLMであるOpenCoderは、主要なモデルに匹敵するパフォーマンスを達成するだけでなく、研究コミュニティの"オープンクックブック"としても機能します。
論文 参考訳（メタデータ） (2024-11-07T17:47:25Z) - CodeExp: Explanatory Code Document Generation [94.43677536210465]
既存のコード・トゥ・テキスト生成モデルは、コードの高レベルな要約のみを生成する。
我々は、コードのための高品質な説明記述の基準を特定するために、人間の研究を行う。
タスクのための多段階微調整戦略とベースラインモデルを提案する。
論文 参考訳（メタデータ） (2022-11-25T18:05:44Z)
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。