論文の概要: Enhancing Repository-Level Code Completion with Reinforcement Learning in Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2611.07510v1
• Date: Thu, 05 Nov 2026 06:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.564821
• Title: Enhancing Repository-Level Code Completion with Reinforcement Learning in Real-World Scenarios
• Title（参考訳）: 実世界のシナリオにおける強化学習によるリポジトリレベルコード補完の強化
• Abstract要約: リポジトリレベルのコード補完のための新しい強化学習フレームワークを提案する。 ファイル内コンテキストとファイル間コンテキストの両方をよりよく理解するために、識別子駆動インテント認識を採用する。 ファイル間の推論を改善するために,報酬駆動型完了学習を提案する。
• 参考スコア（独自算出の注目度）: 34.465256101354065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of large language models (LLMs) for code, which closely aligns with the practical needs of real-world software development, has sparked growing attention in repository-level code completion. However, existing Code LLMs present challenges in focusing on suitable contexts from the repository and in deeply reasoning about cross-file dependencies. To address these challenges, we propose a novel reinforcement learning framework for repository-level code completion. To better understand both in-file and cross-file contexts, we employ identifier-driven intent recognition to capture completion intent, thereby improving the model's performance in real-world scenarios. To enhance cross-file reasoning, we propose a reward-driven completion learning to effectively reward in complex repository completion scenarios. To guide LLMs in completing code that aligns with intended functionality and repository context, we introduce a selective-exploration strategy that directs the model to focus on low-confidence, high-reward tokens, promoting the exploration of valuable, underexplored completion patterns. Experimental results show that our approach significantly improves the performance of Code LLMs. The code and the dataset are available at https://github.com/zhenlongDai/RepoCompletion.
• Abstract（参考訳）: コードのための大規模言語モデル(LLM)の急速な開発は、実際のソフトウェア開発の実践的ニーズと密接に一致しており、リポジトリレベルのコード補完に注目が集まっている。 しかしながら、既存のCode LLMでは、リポジトリの適切なコンテキストや、ファイル間の依存関係に関する深い推論に重点を置いている。 これらの課題に対処するために,リポジトリレベルのコード補完のための新しい強化学習フレームワークを提案する。 ファイル内コンテキストとクロスファイルコンテキストの両方をよりよく理解するために、識別子駆動インテント認識を用いて完了インテントをキャプチャし、現実世界のシナリオにおけるモデルの性能を改善する。 クロスファイル推論を強化するため,複雑なリポジトリ補完シナリオにおいて効果的に報酬を得られる報酬駆動型完了学習を提案する。 目的とする機能やリポジトリコンテキストに整合したコードにLCMを誘導するため,低信頼かつ高利回りなトークンにモデルを集中させる選択的探索戦略を導入し,重要で過度に探索された完了パターンの探索を促進する。 実験の結果,提案手法はコードLLMの性能を著しく向上させることがわかった。 コードとデータセットはhttps://github.com/zhenlongDai/RepoCompletion.comで公開されている。

関連論文リスト

• Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation [53.85136813868056]
  ACToRは、リポジトリレベルのコード生成のための適応型クリティカルトークン対応検索フレームワークである。 我々は、ACToRが、リポジトリレベルのベンチマークにおいて、最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:39Z)
• Connect the Dots: Training LLMs for Long-Lifecycle Agents with Cross-Domain Generalization Via Reinforcement Learning [82.3676770818744]
  大型言語モデル(LLM)を"Connect the Dots"(CoD)に接続するためのフレームワークを提案する。 LLMベースのAIエージェントが環境にデプロイされると、環境を継続的に探索しながら、タスクの長いシーケンスを解決する。 本稿では,詳細な信用代入を伴うGRPOスタイルのRLアルゴリズムを含む,CoDフレームワークの概念実証実装を提案する。
  論文  参考訳（メタデータ） (2026-06-18T09:38:45Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
  リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。 我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。 我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
  論文  参考訳（メタデータ） (2026-01-27T15:23:14Z)
• On the Impacts of Contexts on Repository-Level Code Generation [5.641402231731082]
  本稿ではレポジトリレベルのコード生成を評価するために設計された新しいベンチマークであるRepoExecを紹介する。 実行可能性、包括的なテストケース生成による機能的正当性、ファイル間のコンテキストの正確な利用という3つの重要な側面に注目します。
  論文  参考訳（メタデータ） (2024-06-17T10:45:22Z)
• Enhancing LLM-Based Coding Tools through Native Integration of IDE-Derived Static Context [41.91246546266515]
  我々は,統合開発環境(IDE)がリポジトリレベルのコード補完のために,直接的かつ正確かつリアルタイムなクロスファイル情報を提供できると主張している。 本稿では,IDEネイティブな静的コンテキストをクロスコンテキスト構築に利用し,自己再定義のための診断結果を生成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-06T01:59:41Z)
• A Review of Repository Level Prompting for LLMs [0.0]
  大規模言語モデル(LLM)は、HumanEvalベンチマークで94.6%の解決率を達成するなど、顕著な成功を収めている。 GitHub CopilotやTab Nineといったリポジトリレベルのインラインコード補完ツールの商用化が進んでいる。 本稿では,個々のコーディング問題からリポジトリスケールソリューションへの移行について述べる。
  論文  参考訳（メタデータ） (2023-12-15T00:34:52Z)
• RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation [96.75695811963242]
  RepoCoderはリポジトリレベルのコード補完プロセスを合理化するフレームワークである。 類似性ベースのレトリバーと、事前訓練されたコード言語モデルが組み込まれている。 バニラ検索で拡張されたコード補完アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-03-22T13:54:46Z)

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。