論文の概要: Diff Diffusion: Predicting Edit Paths with Diffusion Models for Efficient Code Editing

• arxiv url: http://arxiv.org/abs/2610.17831v1
• Date: Tue, 13 Oct 2026 06:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.538272
• Title: Diff Diffusion: Predicting Edit Paths with Diffusion Models for Efficient Code Editing
• Title（参考訳）: Diff Diffusion: 効率的なコード編集のための拡散モデルによる編集パスの予測
• Abstract要約: Diff Diffusionは、コード編集のための拡散にインスパイアされたフレームワークである。 オリジナルのスニペットから修正形式への編集パスを予測する。 パブリックな編集-補完ベンチマークでは2.78倍の速度で推測でき、生産において39.0%のP50モデルレイテンシーが減少する。
• 参考スコア（独自算出の注目度）: 13.208937236894862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion large language models (dLLMs) are appealing for code generation because they can update many tokens in parallel, yet many are optimized for sequence synthesis rather than edit prediction. This setting is poorly matched to modern AI-assisted IDEs, where edit prediction must infer the next code change from recent edits, the current file, and cursor-local context. Such changes are usually sparse and preserve most source tokens, so regenerating a full code segment wastes computation. We propose Diff Diffusion, a diffusion-inspired LLM framework for code editing that predicts edit paths from an original snippet to its revised form. Diff Diffusion represents denoising as structured edit operations, and combines this formulation with multi-stage training and efficient parallel decoding. By focusing computation on changed regions, Diff Diffusion supports accurate low-latency edits and multi-position parallel modification. Across public edit-completion benchmarks, edit-prediction evaluations, and online validation, Diff Diffusion matches or leads autoregressive baselines while delivering 2.78 times faster inference on public edit-completion benchmarks and a 39.0% P50 model-latency reduction in production. This work provides a new modeling perspective for AI applications that require high accuracy and low latency.
• Abstract（参考訳）: 拡散大言語モデル(dLLM)は、多くのトークンを並列に更新できるため、コード生成に魅力があるが、その多くは、予測の編集よりもシーケンス合成に最適化されている。 編集予測は、最近の編集、現在のファイル、カーソルローカルコンテキストから次のコード変更を推論する必要がある。 このような変更は通常スパースであり、ほとんどのソーストークンを保存するため、完全なコードセグメントを再生することは計算を無駄にする。 そこで我々は,Diff Diffusionを提案する。Diff Diffusionは,元のスニペットから修正形式への編集経路を予測するコード編集のための拡散型LLMフレームワークである。 ディフ拡散(Diff Diffusion)は、構造化された編集操作としてデノナイズを表現し、この定式化とマルチステージトレーニングと効率的な並列デコードを組み合わせたものである。 Diff Diffusionは、変化した領域に計算を集中させることで、正確な低遅延編集とマルチポジション並列修正をサポートする。 パブリックな編集-補完ベンチマーク、編集-予測評価、オンライン検証を通じて、Diff Diffusionは自動回帰ベースラインと一致し、パブリックな編集-補完ベンチマークの2.78倍の高速な推測と、生産における39.0%のP50モデル-レイテンシの低下を提供する。 この作業は、高い精度と低レイテンシを必要とするAIアプリケーションのための新しいモデリング視点を提供する。

関連論文リスト

• When Edit Flows are Edit Jumps: replicating Edit Flows and EvoFlows [1.295510990912869]
  編集ベースの生成モデルは、編集位置、編集数、出力長を事前に固定することなく、そのような編集予算を割り当てる唯一のモデルである。 ここでは、両方のメソッドが、同じ基盤となるプロセスに従うことを示します。 我々は1.66Mで訓練された1つのジェネラリストエディタで、このフレームワークの最初のオープン実装を紹介する。
  論文  参考訳（メタデータ） (2026-09-16T14:39:26Z)
• Diffs vs. Whole Files: An Empirical Comparison of Iterative Edit-Based and Direct Generation for Flutter/Dart Code Models [0.0]
  直接生成と差分ベース生成という2つの出力方式で2つのコードモデルをトレーニングします。 直接生成は、測度毎に差分ベースの生成を大幅に上回る。 差分ベースの生成が勝つ条件の背後にある、アーキテクチャに依存しない単一のメカニズムを特定します。
  論文  参考訳（メタデータ） (2026-09-05T00:13:49Z)
• Edit-Based Refinement for Parallel Masked Diffusion Language Models [47.05195944319345]
  マスク付き拡散言語モデルは並列トークン生成を可能にし、復号効率を向上させる。 本稿では,軽量な後編集ステップで拡散生成を増強する編集ベース改良フレームワークME-DLMを提案する。 本手法は,HumanEvalで11.6点,GSM8Kで33.6点,全拡散ステップの8分の1を用いて一貫したゲインを得る。
  論文  参考訳（メタデータ） (2026-05-10T15:31:22Z)
• To Diff or Not to Diff? Structure-Aware and Adaptive Output Formats for Efficient LLM-based Code Editing [54.399335188667045]
  BlockDiffとFuncDiffは構造対応のdiffフォーマットで、変更を構文的に一貫性のあるユニットのブロックレベルの書き換えとして表現する。 AdaEdit は LLM に与えられたdiff フォーマットと全コードの間で最もトークン効率の良いフォーマットを動的に選択するよう訓練する一般的な適応編集戦略である。
  論文  参考訳（メタデータ） (2026-04-30T01:14:13Z)
• Visual Autoregressive Modeling for Instruction-Guided Image Editing [97.04821896251681]
  画像編集を次世代の予測問題として再編成する視覚的自己回帰フレームワークを提案する。 VarEditは、正確な編集を実現するために、マルチスケールのターゲット機能を生成する。 1.2秒で512times512$編集を完了し、同じサイズのUltraEditよりも2.2$times$高速になった。
  論文  参考訳（メタデータ） (2025-08-21T17:59:32Z)
• ELDER: Enhancing Lifelong Model Editing with Mixture-of-LoRA [55.697627106315004]
  大規模言語モデル(LLM)は、特定の知識を効率的に更新し、事実の誤りを避けるためにモデル編集を必要とする。 従来のアプローチでは、元のパラメータを凍結し、知識更新毎に新しいパラメータを個別に割り当てることで、シーケンシャルな編集を管理する。 本稿では,データとアダプタを連続的に関連付ける新しい手法であるELDERを提案する。
  論文  参考訳（メタデータ） (2024-08-19T02:27:00Z)
• Let the Code LLM Edit Itself When You Edit the Code [50.46536185784169]
  underlinetextbfPositional textbfIntegrity textbfEncoding (PIE) PIEは、標準的な完全再計算手法に比べて計算オーバーヘッドを85%以上削減する。 その結果、PIEは計算オーバーヘッドを標準の完全再計算手法に比べて85%以上削減することを示した。
  論文  参考訳（メタデータ） (2024-07-03T14:34:03Z)

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。