論文の概要: Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair

• arxiv url: http://arxiv.org/abs/2610.15894v1
• Date: Sun, 11 Oct 2026 20:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.267839
• Title: Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair
• Title（参考訳）: あらゆる拡張数を作る: LLMのコード修復において効率よく検索を学習する
• Abstract要約: 修正プログラムの生成とテストの前に編集を優先する学習ポリシであるCodeTriageを紹介する。 ホールドアウトの修理タスクでは、CodeTriageは、各メトリックで最強のベースラインよりも21%少ないプログラム修正と12%少ないアウトプットトークンの修正を見つける。
• 参考スコア（独自算出の注目度）: 63.277419653843594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) code-repair systems fix faulty programs by repeatedly generating and testing revisions. Each revision is costly, making the choice of which repair to pursue important for efficiency. Existing search policies rely on test pass rates and search statistics, ignoring the details of test failures and proposed edits. We introduce CodeTriage, a learned policy that prioritizes edits before their revised programs are generated and tested. Its 0.6B-parameter model reads the test output, failure diagnosis, and proposed edit, then predicts a distribution over the number of repair steps needed to reach a fix through that edit. These predictions prioritize all pending edits across programs before generating and testing the revised code. On held-out repair tasks, CodeTriage finds fixes with 21% fewer program revisions and 12% fewer output tokens than the strongest baseline on each metric. Without retraining, it achieves the highest average success across search budgets for each of 11 unseen repair LLMs. Ablations show that both the failure context and edit text, as well as comparisons across programs, improve search. We also release a corpus of 12.2 million program versions from four LLMs, organized into repair trees with proposed edits and test results.
• Abstract（参考訳）: 大規模言語モデル(LLM) コード修復システムは、繰り返しリビジョンを生成してテストすることによって欠陥プログラムを修正する。 各リビジョンは費用がかかるので、どの修理が効率のために重要かを選択できる。 既存の検索ポリシーは、テストの失敗の詳細や提案された編集を無視して、テストパス率と検索統計に依存している。 修正プログラムの生成とテストの前に編集を優先する学習ポリシであるCodeTriageを紹介する。 0.6Bパラメータモデルでは、テスト出力、故障診断、提案された編集結果を読み出し、その編集で修正に到達するのに必要な修正ステップの数に関する分布を予測する。 これらの予測は、修正されたコードの生成とテストの前に、プログラム間で保留中の編集を優先する。 ホールドアウトの修理タスクでは、CodeTriageは、各メトリックで最強のベースラインよりも21%少ないプログラム修正と12%少ないアウトプットトークンの修正を見つける。 再訓練なしでは、11個の未確認修理LSMの探索予算の平均的な成功を達成できる。 アブレーションは、失敗コンテキストとテキストの編集、プログラム間の比較の両方が検索を改善することを示している。 また、4つのLCMから1220万のプログラムバージョンをコーパスとしてリリースし、修正木に編成し、提案された編集とテスト結果を得た。

関連論文リスト

• QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
  大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。 オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-07T14:56:38Z)
• Specification Vibing for Automated Program Repair [8.68148153927532]
  VibeRepairは仕様中心のAPR技術で、修正をアドホックなコード編集ではなく、行動特化修復として扱う。 Defects4J v1.2では、VibeRepairが174のバグを正しく修復し、最先端のベースラインを28のバグで越えている。 Defects4J v2.0では、178のバグを修復し、33のバグによる以前のアプローチよりも優れ、23%の改善を示している。
  論文  参考訳（メタデータ） (2026-02-09T04:44:58Z)
• Repair-R1: Better Test Before Repair [2.982543556561469]
  APRは、自動的にプログラム欠陥を特定し、パッチを生成し、修復を検証することを目的としている。 現在のAPRメソッドは、推論段階でのみテストケースを使用するのが一般的である。 本稿では,モデルのトレーニングフェーズにテストケースを導入し,修正に先立ってテスト生成をシフトするリファレンス-R1を提案する。
  論文  参考訳（メタデータ） (2025-07-30T17:24:05Z)
• 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)
• UTFix: Change Aware Unit Test Repairing using LLM [24.12850207529614]
  UTFixは, 焦点法が変化した場合に, 単体検査を修復するための新しい手法である。 このアプローチでは,静的コードスライスや動的コードスライス,障害メッセージなどのコンテキスト情報を提供することで,言語モデルを利用してユニットテストを修復する。 私たちの知る限りでは、これはPythonプロジェクトの進化におけるユニットテストに焦点を当てた初めての総合的な研究です。
  論文  参考訳（メタデータ） (2025-03-19T06:10:03Z)
• LLM Program Optimization via Retrieval Augmented Search [71.40092732256252]
  提案手法は,提案手法によって最適化されたビーム探索を行う検索アルゴリズムであるRetrieval Augmented Search (RAS) である。 我々は、RASが従来の最先端のブラックボックス適応戦略よりも1.8$times$パフォーマンスが高いことを示す。 また、トレーニング例を「アトミックな編集」に分解することで、解釈可能性を向上させるAEGISと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2025-01-31T06:34:47Z)
• Fixing Function-Level Code Generation Errors for Foundation Large Language Models [6.137340149146578]
  生成エラーに関する実証的研究を行い、その原因の分析を行い、19種類のエラー原因を導出する。 私たちの経験的分析では、これらの3つの原因が直接修正可能であることが示されています。 本稿では,この3種類のエラーを3段階のプロセスで処理するLlmFix法を提案する。
  論文  参考訳（メタデータ） (2024-09-01T09:40:15Z)
• ThinkRepair: Self-Directed Automated Program Repair [11.598008952093487]
  プロンプトエンジニアリングによって指示された大規模言語モデル(LLM)は、バグ修正を含む多くのタスクに対処する強力な能力に多くの注目を集めている。 本稿では,自己指向型LLMベースの自動プログラム修復であるThinkRepairについて,収集フェーズと固定フェーズの2つの主要なフェーズを提案する。 ThinkRepairと12SOTA APRを比較した2つの広く研究されているデータセット(Defects4JとQuixBugs)の評価は、バグ修正におけるThinkRepairの優先度を示している。
  論文  参考訳（メタデータ） (2024-07-30T15:17:07Z)
• Assessing the Latent Automated Program Repair Capabilities of Large Language Models using Round-Trip Translation [44.3761164214368]
  RTT(Round-Trip Translation): あるプログラミング言語から別のプログラミング言語や自然言語にコードを翻訳する。 JavaにおけるRTT生成パッチの詳細な量的および定性的な分析を行う。 RTTはHumanEval-JavaベンチマークでGPT-4を用いた164のバグのうち100件に対して可塑性パッチを生成し,97件を手作業で評価した。
  論文  参考訳（メタデータ） (2024-01-15T22:36:31Z)

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。