論文の概要: Large-Scale Study of GitHub Copilot Trajectories

• arxiv url: http://arxiv.org/abs/2610.32313v1
• Date: Fri, 23 Oct 2026 08:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.429742
• Title: Large-Scale Study of GitHub Copilot Trajectories
• Title（参考訳）: GitHubコパイロット軌道の大規模研究
• Abstract要約: 我々は,公開セッションデータを持つ7,581個のCopilotライセンスPRに着目し,野生における人為的エージェントトラジェクトリについて検討した。 Copilot PRの58%は人間の介入がなく、開発者が介入する場合は、コラボレーションは簡単です。 また、フィードバックによる委譲作業や、独自のコミットの追加など、開発者がCopilotと複数の方法で協力していることも説明します。
• 参考スコア（独自算出の注目度）: 0.8586348698580818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI coding agents are increasingly integrated into software development workflows. However, most coding agent studies rely on benchmarks similar to SWE-bench, which assume autonomous agents operating in a single trajectory. This assumption does not mirror real-world usage, where developers interactively collaborate with agents. We address this gap by studying human-in-the-loop agent trajectories in the wild, focusing on 7,581 Copilot-authored PRs with publicly accessible session data. We find that 58% of Copilot PRs have no human intervention, and that when developers do intervene, collaboration is brief (median of 2 Human-AI loops). Merged PRs also tend to have fewer initial trajectory iterations than unmerged ones. We also find that the trajectory following the first human intervention exhibits a significant drop of 20.8 iterations and 8.4 min in duration. However, trajectories following later interventions show minimal iteration drops and no significant duration change, signifying that most of the work happens in the initial trajectory. Our qualitative analysis of illustrative PRs explains this pattern: many developer interventions are small, focused requests that Copilot completes in shorter later trajectories. We also illustrate that developers collaborate with Copilot in multiple ways, including delegated work through feedback as well as adding their own commits. However, we find that developers may need to guide Copilot through multiple (sometimes repeated) interventions in the PR, or even across multiple editions of the PR.
• Abstract（参考訳）: AIコーディングエージェントは、ますますソフトウェア開発ワークフローに統合されている。 しかしながら、ほとんどのコーディングエージェントの研究はSWE-benchと同様のベンチマークに依存しており、単一の軌道で自律エージェントが動作していると仮定している。 この仮定は、開発者がエージェントと対話的にコラボレーションする現実世界の使い方を反映していない。 我々は,このギャップに対処するために,公開セッションデータを持つ7,581個のCopilotライセンスのPRに着目して,野生における人道エージェントの軌跡を調査する。 Copilot PRの58%は人間の介入がなく、開発者が介入する場合、コラボレーションは短い(2つのHuman-AIループの中間)。 マージされたPRは、未マージされたPRよりも初期の軌道反復が少ない傾向にある。 また,初回介入後の軌道は20.8回と8.4分と著しく低下していることがわかった。 しかし、後続の介入による軌道は最小限の繰り返しの減少を示し、重要な持続時間の変化は見られず、ほとんどの作業が最初の軌道で起こることを示唆している。 多くの開発者の介入は、Copilotが短期間で完了した、小さな、集中した要求です。 また、フィードバックによる委譲作業や、独自のコミットの追加など、開発者がCopilotと複数の方法で協力していることも説明します。 しかし、開発者がCopilotをPRの複数の(時には繰り返される)介入、あるいはPRの複数のエディションを通じてガイドする必要があることを発見した。

関連論文リスト

• World of SWECraft: Agent Collaboration at Scale via Simulated Software Worlds [111.6144693908836]
  Software Worldはマルチエージェントソフトウェアエコシステムをシミュレートするためのフレームワークである。 シミュレーションでは、エージェントは、ソフトウェア効率を改善するという高いレベルの目標を持って、世界中のパッケージを維持します。 ほとんどのエージェントはコラボレーションを通じて意味のあるタスクを見つけることができるが、いくつかのモデルは早めに改善を探すのをやめることができる。
  論文  参考訳（メタデータ） (2026-10-16T17:59:39Z)
• iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model [89.9836668595474]
  再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。 本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。 我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。 産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
  論文  参考訳（メタデータ） (2026-08-28T15:51:26Z)
• Collaborator or Assistant? How AI Coding Agents Partition Work Across Pull Request Lifecycles [0.8777271346549705]
  Initiator xr 分類法と6つの相互作用シナリオを用いて29,585のPRライフサイクルを分析した。 私たちは、協力者支援のスペクトルに沿ってツールを特徴付け、イニシアチブを再編成し、監視し、支持します。 我々は、PRにおける自動化、監視、およびガバナンスの研究のために、分類学、ツールごとのステートマシン、複製パッケージにコントリビュートする。
  論文  参考訳（メタデータ） (2026-05-08T17:06:54Z)
• A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
  現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。 本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
  論文  参考訳（メタデータ） (2026-03-04T07:23:54Z)
• On Autopilot? An Empirical Study of Human-AI Teaming and Review Practices in Open Source [11.412808537439973]
  プロジェクトレベルのガイドラインとAI支援プルリクエスト(PR)との開発者のインタラクションについて検討した。 AIが共著するPRの67.5%以上が、コードオーナシップのないコントリビュータから生まれています。 非オーナーの開発者が最もフィードバックを受けられるような、人間が作ったPRとは対照的に、非オーナーのAI共著のPRは最小限のフィードバックを受け取っている。
  論文  参考訳（メタデータ） (2026-01-20T09:09:53Z)
• Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
  本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。 我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。 結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T20:12:54Z)
• WHALES: A Multi-Agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [14.977628973132099]
  WHALESは,通信対応エージェントスケジューリングとスケーラブルな協調認識のベンチマークのために設計された,最初の大規模V2Xデータセットである。 WHALESは、シーンごとに平均8.4の協調エージェントと、さまざまな交通シナリオにまたがる2100万の注釈付き3Dオブジェクトを備えている。 リアルタイム通信ボトルネックをエミュレートするために、詳細な通信メタデータを組み込んでおり、スケジューリング戦略の厳密な評価を可能にしている。
  論文  参考訳（メタデータ） (2024-11-20T14:12:34Z)
• Generative AI for Pull Request Descriptions: Adoption, Impact, and Developer Interventions [11.620351603683496]
  GitHubのCopilot for Pull Requests (PR)は、PRに関連するさまざまな開発者タスクを自動化することを目的とした有望なサービスである。 本研究では,生成AIによって記述の一部が作成された18,256個のPRについて検討した。 われわれは、Copilot for PRは幼少期ではあるが、採用が著しく増加していることを示唆している。
  論文  参考訳（メタデータ） (2024-02-14T06:20:57Z)

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。