論文の概要: How Should Diffusion Language Models Edit Code?

• arxiv url: http://arxiv.org/abs/2609.38257v1
• Date: Tue, 29 Sep 2026 11:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.429242
• Title: How Should Diffusion Language Models Edit Code?
• Title（参考訳）: 拡散言語モデルはどのようにコードを編集すべきか?
• Abstract要約: コード編集には、変更の場所を決め、新しいコンテンツを生成し、他のすべてを保存するためのモデルが必要です。 マスク付き拡散言語モデルでは,これらの責務を4つの編集インタフェースに分割する。 CanItEditの実験では、コンポジションギャップが明らかにされている: 拡散モデルは、正しい編集位置が供給されたときに調整された変更を生成することができるが、これらの位置を予測しなければならないと、その能力の多くは失われる。
• 参考スコア（独自算出の注目度）: 55.95368951768825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code editing requires a model to decide where to make changes, generate the new content, and preserve everything else. We study how masked diffusion language models divide these responsibilities across four editing interfaces: whole-file rewriting, search-and-replace, locate-then-infill, and token-level editing. Experiments on CanItEdit reveal a composition gap: diffusion models can generate coordinated changes when the correct edit locations are supplied, but much of this capability is lost when those locations must be predicted. Access to the intact original code helps the model fill multiple edit regions, yet does not resolve the difficulty of selecting those regions. By varying the editable regions while holding the generation model and decoding procedure fixed, we identify two distinct requirements for successful editing: covering every required change and placing precise boundaries around it. Missing a required region prevents the corresponding change, while widening regions to ensure coverage can sharply reduce success by requiring unchanged code to be regenerated. A sentence-level Wiki editing probe shows the same qualitative gap between supplied and predicted locations beyond code. These findings show why strong infilling capability alone does not ensure reliable editing: the interface must expose all required changes while limiting regeneration of unchanged code.
• Abstract（参考訳）: コード編集には、変更の場所を決め、新しいコンテンツを生成し、他のすべてを保存するためのモデルが必要です。 マスク付き拡散言語モデルでは、これらの責務を、全ファイル書き換え、検索と置換、ロケーション・then-infill、トークンレベルの編集の4つの編集インターフェースに分割する。 CanItEditの実験では、コンポジションギャップが明らかにされている: 拡散モデルは、正しい編集位置が供給されたときに調整された変更を生成することができるが、これらの位置を予測しなければならないと、その能力の多くは失われる。 無傷のオリジナルコードへのアクセスは、モデルが複数の編集領域を埋めるのに役立つが、これらの領域を選択することの難しさは解決しない。 生成モデルを保持しながら編集可能な領域を可変し、デコード手順を固定することにより、編集を成功させるための2つの異なる要件を識別する。 必要な領域を欠くことで、対応する変更が防止される一方で、カバレッジを確保するために領域を広げることによって、変更のないコードを再生する必要が生じることにより、成功を著しく低減することができる。 文レベルのウィキ編集プローブは、コード以外の供給された場所と予測された場所の間に同じ質的なギャップを示す。 これらの発見は、強力なインフィル機能だけでは信頼できる編集が保証されない理由を示している。

関連論文リスト

• ManiEdit: Sequential Unstructured Knowledge Editing for Language Models from a Manifold Perspective [49.83428734814549]
  既存のモデル編集手法は、構造化されていない長文の知識を逐次編集するのに苦労する。 ManiEditは、2つのコアコンポーネントからなる新しい多様体対応編集フレームワークである。 ManiEditは最先端のパフォーマンスを実現し、最強のベースラインである+27.81 BERTScoreと+8.50 ROUGE-Lを上回った。
  論文  参考訳（メタデータ） (2026-09-27T13:02:43Z)
• Refinement Is Inherently Editable: Training-Free Prompt-to-Prompt Image Editing with Generative Refinement Network [26.99661614820174]
  RefineEditは、GRN(Generative Refinement Networks)上に構築されたトレーニングフリーのプロンプトとプロンプトの画像編集フレームワークである。 ビットルーティングと、適応的な空間凍結と有限ビットロックという2つの安定化メカニズムを組み合わせる。 PSNR、LPIPS、MSE、SSIMで最高のバックグラウンド保存スコアと、最も高い全画像と編集済みのCLIPスコアを達成している。
  論文  参考訳（メタデータ） (2026-09-17T16:19:28Z)
• SpotEdit: Selective Region Editing in Diffusion Transformers [66.44912649206553]
  SpotEditは、修正されたリージョンのみを選択的に更新する、トレーニング不要な拡散編集フレームワークである。 不要な計算を削減し、未修正領域で高い忠実性を維持することにより、SpotEditは効率よく正確な画像編集を実現する。
  論文  参考訳（メタデータ） (2025-12-26T14:59:41Z)
• Region-Constraint In-Context Generation for Instructional Video Editing [91.27224696009755]
  本稿では,テキスト内生成中の編集領域と非編集領域の制約モデリングに着目する新しい指導ビデオ編集パラダイムReCoを提案する。 本稿では,500Kの命令-ビデオペアからなる大規模かつ高品質なビデオ編集データセットであるReCo-Dataを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:49:30Z)
• O-DisCo-Edit: Object Distortion Control for Unified Realistic Video Editing [88.93410369258203]
  O-DisCo-Editは、新しいオブジェクト歪み制御(O-DisCo)を組み込んだ統合フレームワークである この信号はランダムノイズと適応ノイズに基づいて、単一の表現内に幅広い編集キューを柔軟にカプセル化する。 O-DisCo-Editは、効果的なトレーニングパラダイムによる効率的な高忠実な編集を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T16:29:39Z)
• Coeditor: Leveraging Contextual Changes for Multi-round Code Auto-editing [57.776971051512234]
  本研究では,複数ラウンドのコードの自動編集設定について検討し,その内部の最近の変更に基づいて,コード領域への編集を予測することを目的とした。 我々のモデルであるCoeditorは、コード編集タスクに特化して設計された微調整言語モデルである。 単純化されたシングルラウンドのシングル編集タスクでは、Coeditor は GPT-3.5 と SOTA のオープンソースコード補完モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-05-29T19:57:36Z)

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。