論文の概要: PreciseCoder: Faithful and Generalizable Debugging Beyond Unit-Test Rewards

• arxiv url: http://arxiv.org/abs/2610.18755v1
• Date: Tue, 13 Oct 2026 17:19:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.690847
• Title: PreciseCoder: Faithful and Generalizable Debugging Beyond Unit-Test Rewards
• Title（参考訳）: PreciseCoder: 忠実で汎用的なデバッギング
• Abstract要約: このアルゴリズムは、セマンティックに検証された局所的な編集のための信号で、単体テストの報酬を増大させる。 4B、9B、27Bモデルでは、PreciseCoderは、ユニットテストのみのトレーニングと同等のパスレートで、7-15から3までの編集行数を削減している。
• 参考スコア（独自算出の注目度）: 14.748706115313391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning (RL) from unit tests is the common recipe for post-training code models, but a unit test only asks whether the final program passes. We analyze what this unit-test-only reward teaches a model during debugging and find that, while it raises pass rates, it also teaches the model to edit more and to hallucinate bugs in code that is already correct. We introduce PreciseCoder, a training algorithm that augments the unit-test reward with a signal for semantically verified, localized edits, which correlates with smaller edits and higher pass rates. On 4B, 9B, and 27B models, PreciseCoder reduces the average number of edit lines from 7-15to 3 at a pass rate on par with unit-test-only training. Trained only on single-line bugs, PreciseCoder can generalize to repository-level program repair, where it resolves more issues with smaller patches. Its precision also transfers from weaker to stronger models: given the reasoning trace of a 9B PreciseCoder model, frontier models such as GPT-5.6 Sol and Qwen3.8-Max gain 4.6-12.4 points in edit precision with no additional training. Linguistic analysis of the thinking traces shows that our reward encourages the model to reason about individual lines, name the buggy ones, and form consistent bug hypotheses.
• Abstract（参考訳）: 単体テストからの強化学習(RL)は、トレーニング後のコードモデルの一般的なレシピであるが、単体テストは最終プログラムが通過するかどうかのみを問う。 この単体テストのみの報酬がデバッグ中にモデルに何を教えるかを分析し、パス率を上げる一方で、モデルをもっと編集し、すでに正しいコードのバグを幻覚させるようにも教えています。 PreciseCoderは、セマンティックに検証されたローカライズされた編集のための信号で単体テストの報酬を増大させるトレーニングアルゴリズムで、より小さな編集とより高いパスレートに相関する。 4B、9B、27Bモデルでは、PreciseCoderは、ユニットテストのみのトレーニングと同等のパスレートで、7-15から3までの編集行数を削減している。 PreciseCoderは単一行のバグのみに基づいて訓練されており、リポジトリレベルのプログラム修復に一般化することができる。 9BのPreciseCoderモデルの理由から、GPT-5.6 SolやQwen3.8-Maxのようなフロンティアモデルでは、追加のトレーニングなしで編集精度が4.6-12.4ポイント向上した。 思考トレースの言語学的分析は、我々の報酬がモデルに対して、個々の行を推論し、バグのある行を名付け、一貫したバグ仮説を形成することを奨励していることを示している。

関連論文リスト

• When Models Edit Too Much: On the Fidelity of Minimal Code Edits [21.17848461238914]
  大きな言語モデル(LLM)は、既存のコードの編集にますます使われていますが、正確性だけでは不十分です。 オーバーエジット(over-editing) — バグ修正に必要なものを超えて,モデルがコードを書き直す傾向があること。 我々は,制御されたASTレベルの汚職を参照ソリューションに注入することにより,400のBigCodeBench問題から評価フレームワークを構築した。
  論文  参考訳（メタデータ） (2026-09-03T16:36:05Z)
• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• Precise Debugging Benchmark: Is Your Model Debugging or Regenerating? [31.082688278576356]
  このフレームワークは,任意のコーディングデータセットを,精度を意識したベンチマークに自動的に変換する。 必要な編集回数と、解決したバグ数を計測する2つの新しいメトリクスである、編集レベルの精度とバグレベルのリコールを定義します。 実験では、GPT-5.1-CodexやDeepSeek-V3.2-Thinkingのようなフロンティアモデルが76%を超えるが、精度は45%以下である。
  論文  参考訳（メタデータ） (2026-04-19T09:08:23Z)
• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• Co-Evolving LLM Coder and Unit Tester via Reinforcement Learning [48.66688117533318]
  本稿では,専用の報酬設計を備えた新しい強化学習フレームワークCUREを提案する。 CUREは、その相互作用の結果に基づいて、コーディングと単体テスト生成機能を共進化させる。 我々のモデルは,ベースモデルに基づく強化学習に有効な報奨モデルとして機能することを発見した。
  論文  参考訳（メタデータ） (2025-06-03T17:58:42Z)
• Improving Large Language Models via Fine-grained Reinforcement Learning with Minimum Editing Constraint [104.53687944498155]
  強化学習(RL)は、大規模言語モデル(LLM)の訓練に広く用いられている。 本稿では,報酬モデルとして生成モデルを組み込んだRL法 RLMEC を提案する。 生成報酬モデルに基づいて、トレーニングのためのトークンレベルRL目標と、RLプロセスの安定化のための模倣ベース正規化を設計する。
  論文  参考訳（メタデータ） (2024-01-11T17:58:41Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• The Right Tool for the Job: Matching Model and Instance Complexities [62.95183777679024]
  NLPモデルが大きくなればなるほど、訓練されたモデルを実行するには、金銭的・環境的なコストを発生させる重要な計算資源が必要である。 我々は、推論中、早期(かつ高速)の"exit"を可能にする文脈表現微調整の修正を提案する。 3つのテキスト分類データセットと2つの自然言語推論ベンチマークの2つのタスクで、5つの異なるデータセットに対して提案した修正を検証した。
  論文  参考訳（メタデータ） (2020-04-16T04:28:08Z)

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。