論文の概要: Evaluating Name-Only Directory Routing for One-Shot Code Search
- arxiv url: http://arxiv.org/abs/2609.35918v1
- Date: Mon, 28 Sep 2026 10:18:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.891737
- Title: Evaluating Name-Only Directory Routing for One-Shot Code Search
- Title（参考訳）: ワンショットコード検索における名前専用ディレクトリルーティングの評価
- Abstract要約: 言語モデルがディレクトリやファイル名に従うことができるかどうかを検証し、固定語彙クエリで欠落したアノテーション付きコードファイルを見つける。
11のリポジトリから82を超える問題が監査され、名前のみのディレクトリルーティングが8つの候補で0.465の金のファイルを回収した。
このコホート上では、ディレクトリルーティングは関連するファイル候補を1ショットの語彙検索に追加するが、この研究は階層化の利点や問題解決の改善を示すことはできない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding the right files is an early challenge for coding agents. We test whether a language model can follow directory and file names to find annotated code files missed by fixed lexical queries. Across 82 audited issues from 11 repositories at pinned pre-fix commits, name-only directory routing recovered 0.465 of gold files within eight candidates, compared with 0.352 for FTS5 and 0.245 for a fixed full-issue rg query. The paired gain over FTS5 was 0.113 (95% repository-cluster bootstrap interval, 0.053 to 0.168). Under a shared 16K-token context budget, routing delivered 0.443 of annotated lines versus 0.246 for FTS5 on 55 cases with fully aligned annotations. At the same eight-file limit, combining routing with FTS5 reached 0.491 file recall, but its gain over routing alone was uncertain. An exploratory flat path control reached 0.572 recall while using 24.6 model calls per issue, compared with 8.9 for routing. Routing averaged 8.9 seconds per issue; FTS5 took 7 milliseconds per query after a 0.9-second build. On this cohort, directory routing added relevant file candidates to one-shot lexical search, but the study cannot attribute the gain to hierarchy or show that it improves issue resolution.
- Abstract（参考訳）: 正しいファイルを見つけることは、コーディングエージェントにとって初期の課題である。
言語モデルがディレクトリやファイル名に従うことができるかどうかを検証し、固定語彙クエリで欠落したアノテーション付きコードファイルを見つける。
82回にわたって、固定済みのプレフィックスコミットで11のリポジトリからの問題を監査し、名前のみのディレクトリルーティングが8つの候補で0.465のゴールドファイルを復元した。
FTS5の対利得は0.113(95%リポジトリ・クラスタブートストラップ間隔0.053から0.168)であった。
共有された16Kのコンテキスト予算の下では、アノテートされた行が0.443、フルアラインのアノテーションを持つ55のケースでFTS5が0.246であった。
同じ8ファイル制限で、ルーティングとFTS5の組み合わせは0.491ファイルリコールに達した。
探索的な平らな経路制御は、24.6のモデルコールを使用しながら0.572リコールに達し、ルーティングは8.9であった。
FTS5は0.9秒のビルドの後、クエリ毎に7ミリ秒を要した。
このコホート上では、ディレクトリルーティングは関連するファイル候補を1ショットの語彙検索に追加するが、この研究は階層化の利点や問題解決の改善を示すことはできない。
関連論文リスト
- Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - LLMs Can Predict Failure Risk, But Struggle to Predict Which Collaboration Protocol Pays Off: Cost-Aware Protocol Routing Across Reasoning Tasks [3.789882665982407]
マルチエージェント大規模言語モデル(LLM)システムは、より多くの計算に費やして推論を改善することができる。
この決定は、各設定内に固定されたソルバを保持しながら、すべての問題を4つのプロトコルで実行することで分離する。
論文 参考訳（メタデータ） (2026-08-14T22:35:37Z) - The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
コード修復における制御ケーススタディを報告し,新しい現象ではない。
私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。
BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。
厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
論文 参考訳（メタデータ） (2026-08-14T19:22:50Z) - Agent-as-a-Router: Agentic Model Routing for Coding Tasks [54.00153674547733]
Agent-as-a-router (AC)はC-A-Fループとしてルーティングを形式化する(Context->Action->FeedbackContext)
ACは、分配タスクに対する最小の累積後悔を達成し、配布外エージェントプログラミングタスクに一般化する。
論文 参考訳（メタデータ） (2026-06-22T06:37:31Z) - AgentIR: A Workload-Adaptive Cascade Retrieval Substrate for Long-Term Conversational Memory [1.8479558716666358]
Luceneクラスのエンジンはインデックスを静的として扱い、クエリをステートレスとして扱う。
カスケードルータはBM25のトップクマージンのみから決定され、再トレーニングせずにワークロードをまたがって再チューニングされる。
共有8コアVMのキャパシティは154から1,400のコンカレントエージェント(9倍)に向上する
論文 参考訳（メタデータ） (2026-05-24T14:14:13Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Learning Agent Routing From Early Experience [55.88886987958933]
バウンダリ(Boundary)は、初期の行動経験とルーリック誘導推論を使用して、クエリに直接推論で答えるか、エージェントにエスカレートするかを決定する、トレーニング不要なルーティングフレームワークである。
また, 直接LLM推定よりも28.6%性能が向上し, 予測時間を60.6%短縮することを示した。
論文 参考訳（メタデータ） (2026-05-08T03:18:40Z) - Pangu-ACE: Adaptive Cascaded Experts for Educational Response Generation on EduBench [4.622810499197031]
本稿では、実際に実装され、リポジトリにアーカイブされたシステムに関する、私たちの以前のドラフトを書き換える。
最終的なシステムであるPangu-ACEは、ドラフト回答とルーティング信号を生成するために1Bのチュータールータを使用して、ドラフトを受理するか、サンプルを7Bの専門家プロンプトにエスカレーションする。
論文 参考訳（メタデータ） (2026-04-16T10:02:48Z) - SelRoute: Query-Type-Aware Routing for Long-Term Conversational Memory Retrieval [0.0]
SelRouteは、クエリタイプに基づいて、各クエリを専用のパイプラインにルーティングするフレームワークである。
LongMemEval_Mでは、bge-base-en-v1.5 (109Mパラメータ)で0.800、bge-small-en-v1.5 (109Mパラメータ)で0.786のRecall@5を達成する。
FTS5のみを使用したゼロMLベースラインは0.692のNDCG@5を達成する。
論文 参考訳（メタデータ） (2026-04-02T18:02:59Z)
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。