論文の概要: Planning-Coding Separation in LLM-Based Code Generation: An Empirical Study

• arxiv url: http://arxiv.org/abs/2611.04320v1
• Date: Tue, 03 Nov 2026 04:57:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:25:06.594404
• Title: Planning-Coding Separation in LLM-Based Code Generation: An Empirical Study
• Title（参考訳）: LLMコード生成におけるプランニング・コーディングの分離--実証的研究
• Abstract要約: 大規模言語モデル(LLM)によるコード生成を改善する重要な要因として、計画が特定されている。 LLMに基づくコード生成における計画とコーディングの相互作用に関する、最初の包括的な実証的研究を行う。
• 参考スコア（独自算出の注目度）: 8.744060250595568
• License:
• Abstract: Planning has been identified as an important factor for improved code generation with Large Language Models (LLMs). However, the interaction between planning capability and coding capability remains largely underexplored, especially when the two capabilities are from different LLMs. In this paper, we conduct the first comprehensive empirical study of planning-coding interaction in LLM-based code generation, where planning and coding are assigned to different LLMs (i.e., planning-coding separation). Specifically, we explore different planner-coder combinations to investigate the effectiveness for coders to utilize planning information from various planners and the impact of further training of coders on planner-coder combinations. Our results demonstrate that almost all planner-coder combinations are as competitive as using the same LLM for planning and coding, and the combination of a stronger planner and a stronger coder typically achieves improved effectiveness. Furthermore, using a large model as the planner paired with a much smaller model as the coder can sometimes be as competitive as using the large model as both the planner and the coder, and further training of the coder can typically boost various planner-coder combinations. These findings provide empirical evidence that planning and coding can be separated to a considerable extent in LLM-based code generation, which may offer a more flexible way to construct code-generation systems.
• Abstract（参考訳）: 計画は、LLM(Large Language Models)によるコード生成を改善する重要な要因として特定されている。 しかしながら、計画能力と符号化能力の相互作用は、特に2つの能力が異なるLLMのものである場合、ほとんど未解明のままである。 本稿では,LLMをベースとしたコード生成において,計画とコーディングを異なるLLM(プランニングとコーディングの分離)に割り当てる,計画とコーディングのインタラクションに関する総合的研究を行う。 具体的には,様々なプランナ/コーダの組み合わせについて検討し,様々なプランナからの計画情報を活用するコーダの有効性と,プランナ/コーダの組み合わせに対するコーダのさらなる訓練の影響について検討する。 その結果,ほぼすべてのプランナーとコーダの組み合わせは,計画とコーディングに同じLLMを使用するのと同じくらいの競争力を持つことが明らかとなった。 さらに、大きなモデルをプランナーと、より小さなモデルをコーダーと組み合わせることで、大きなモデルをプランナーとコーダーの両方と同じくらいの競争力を得ることができ、さらに、コーダーのトレーニングは、通常、様々なプランナーとコーダーの組み合わせを促進することができる。 これらの発見は、LLMベースのコード生成において、計画とコーディングをある程度分離できるという実証的な証拠を提供する。

関連論文リスト

• CoRe-Code: Collaborative Reinforcement Learning for Code Generation [13.697928927084037]
  大規模言語モデル(LLM)はコード生成において高いパフォーマンスを達成しているが、ほとんどのメソッドはグローバル計画なしで自動回帰デコーディングに依存している。 エージェント間協調を強化し,より正確かつ効率的なコードを生成する,特殊なLLMエージェントのためのフレームワークである協調強化コード(CoRe-Code)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T01:47:30Z)
• Planner Matters! An Efficient and Unbalanced Multi-agent Collaboration Framework for Long-horizon Planning [32.56971325545821]
  言語モデル(LM)ベースのエージェントは、自然言語命令から複雑なタスクを自動化する有望な能力を実証している。 本稿では,高度意思決定のためのプランナ,タスク実行のためのアクタ,コンテキスト推論のためのメモリマネージャという,自動化を3つの役割に分解する拡張マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T02:58:05Z)
• Code Fingerprints: Disentangled Attribution of LLM-Generated Code [7.515488307576106]
  生成したコードに責任を負うソースLLMを決定することを目的とした,モデルレベルのコード属性の問題について検討する。 本稿では、ソース非依存のセマンティック情報とソース-特異なスタイル表現を分離するDisentangled Code Attribution Network (DCAN)を提案する。 4つのプログラミング言語で広く使われている4つの大規模言語モデル(LLM)が生成するコードからなる,最初の大規模ベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2026-03-04T15:58:36Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency [0.0]
  プログラミング活動の異なる構成や訓練パラダイムがコード生成の効率に与える影響について検討する。 私たちの発見は、堅牢なAI駆動型コーディングソリューションを求める組織に貴重な洞察を与えます。
  論文  参考訳（メタデータ） (2025-05-04T14:44:27Z)
• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)
• CoMMIT: Coordinated Multimodal Instruction Tuning [90.1532838391285]
  マルチモーダル大言語モデル(MLLM)は一般に、バックボーンLLMと非テキスト入力モードの特徴エンコーダ間の協調学習を含む。 本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 本稿では,学習のバランスを定量的に測定できるマルチモーダルバランス係数を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• AlchemistCoder: Harmonizing and Eliciting Code Capability by Hindsight Tuning on Multi-source Data [64.69872638349922]
  本稿では、マルチソースデータに微調整されたコード生成と一般化機能を備えたコードLLMのシリーズであるAlchemistCoderを紹介する。 本稿では,データ構築過程を微調整データに組み込んで,命令の進化,データフィルタリング,コードレビューなどのコード理解タスクを提案する。
  論文  参考訳（メタデータ） (2024-05-29T16:57:33Z)

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。