論文の概要: Beyond Source Code: Evaluating Natural Language Specifications for LLM-Based C-to-Rust Translation
- arxiv url: http://arxiv.org/abs/2611.17581v1
- Date: Thu, 12 Nov 2026 23:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.274757
- Title: Beyond Source Code: Evaluating Natural Language Specifications for LLM-Based C-to-Rust Translation
- Title(参考訳): ソースコードを超えて:LLMに基づくC-to-Rust翻訳のための自然言語仕様の評価
- Abstract要約: 大規模言語モデル(LLM)はC-to-Rust翻訳の有望な結果を示している。
コードのみ、仕様のみ、コードと仕様の3つの翻訳設定を比較します。
- 参考スコア(独自算出の注目度): 5.053429023961947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have shown promising results for C-to-Rust translation, yet existing approaches primarily rely on source code as input, leaving natural-language specifications of program behavior underexplored as an alternative or complementary representation. We hypothesize that direct code translation encourages LLMs to preserve C-specific implementation choices, producing Rust that may be functionally correct but unnecessarily verbose, reliant on unsafe constructs, and less idiomatic. We investigate this hypothesis by comparing three translation settings: code-only, specification-only, and code-and-specification. Using 300 C programs from the IBM CodeNet dataset, we evaluate GPT-5.2 and GPT-4o-mini on functional correctness, maintainability, complexity, idiomaticity, unsafe construct usage, and cost. Code-only translation achieves the highest test pass rate (98.6%) but often mirrors C's implementation patterns. In contrast, specification-only translation produces the most idiomatic and compact Rust, reducing unsafe blocks by approximately 6x and Clippy style warnings by 2.4x. However, using specifications without validation yields test pass rates as low as 86% with our best performing model. Adding an iterative test-based validation and refinement step for specifications raises this to a 95.3% test pass rate. Overall, specification-based translation consistently improves code quality relative to code-only translation, while code-and-specification offers the best balance between correctness (98.3% test pass rate) and maintainability. Our study systematically compares these translation settings, highlighting the trade-offs among specification quality, translation correctness, code quality, and computational cost.
- Abstract(参考訳): 大規模言語モデル(LLM)はC-to-Rust翻訳の有望な結果を示しているが、既存のアプローチは主に入力としてソースコードに依存しており、代替あるいは補完的な表現として探索されたプログラムの振る舞いの自然言語仕様を残している。
直接コード変換は、LLMがC固有の実装選択を保存することを奨励し、機能的には正しいが、冗長で、安全でない構造に依存し、慣用的でないRustを生成する、という仮説を立てています。
この仮説は、コードのみ、仕様のみ、およびコードと仕様の3つの翻訳設定を比較して検討する。
IBM CodeNetデータセットからの300のCプログラムを用いて、機能的正当性、保守性、複雑さ、慣用性、安全でない構造使用法、コストについて、GPT-5.2およびGPT-4o-miniを評価する。
コードのみの翻訳はテストパス率(98.6%)が最も高いが、Cの実装パターンを反映することが多い。
対照的に、仕様のみの翻訳は最も慣用的でコンパクトなRustを生成し、安全でないブロックを約6倍、Clippyスタイルの警告を2.4倍削減する。
しかし、検証なしで仕様を使用することで、テストパス率は最高のパフォーマンスモデルで86%以下になります。
反復的なテストベースの仕様検証と改善のステップを追加することで、95.3%のテストパスレートに上昇する。
全体として、仕様ベースの翻訳はコードのみの翻訳と比較してコード品質を一貫して改善するが、コードと仕様の変換は正確さ(98.3%のテストパスレート)と保守性の間の最良のバランスを提供する。
本研究は、これらの翻訳設定を体系的に比較し、仕様品質、翻訳精度、コード品質、計算コストのトレードオフを強調した。
関連論文リスト
- NL2Scratch: An Executable Benchmark and Evaluation for Block-Based Programming [62.89531126732269]
NL2Scratchは自然言語からスクラッチ生成のための実行可能なベンチマークである。
23,594例のセマンティック検証プールと,スロットバランス800例の診断ベンチマークを構築した。
命令調整と微調整によるLLM実験では、語彙的類似性と意味的アライメントとの間に顕著なギャップが示される。
論文 参考訳(メタデータ) (2026-06-20T14:22:59Z) - IFEvalCode: Controlled Code Generation [69.28317223249358]
本稿では,Code LLMの命令追従能力を改善するために,前方および後方制約生成を提案する。
IFEvalCodeは、7つのプログラミング言語の1.6Kテストサンプルからなる多言語ベンチマークである。
論文 参考訳(メタデータ) (2025-07-30T08:08:48Z) - Function-to-Style Guidance of LLMs for Code Translation [59.487054943812836]
コード翻訳における大規模言語モデルの性能向上を目的として,F2STransという関数型案内パラダイムを提案する。
提案手法は,(1)高品質なソースターゲットコードペアを用いた翻訳精度を最適化する機能学習という2つの重要な段階から構成される。
我々は,最新のソースコード,広範なテストケース,手動で注釈付き接頭辞翻訳を含む新しいコード翻訳ベンチマークを導入する。
論文 参考訳(メタデータ) (2025-07-15T08:25:02Z) - NL in the Middle: Code Translation with LLMs and Intermediate Representations [56.77064674776534]
大きな言語モデル(LLM)はバグのあるコード翻訳を生成する。
翻訳精度を向上させるための有望な道の1つは中間表現である。
LLMに基づくコード翻訳が中間表現の恩恵を受けるかどうかを検討する。
論文 参考訳(メタデータ) (2025-07-11T14:29:21Z) - RustMap: Towards Project-Scale C-to-Rust Migration via Program Analysis and LLM [13.584956125542396]
Rustは、Cのパフォーマンスを維持しながら、優れたメモリ安全性を提供する。
C2Rustのような既存の自動翻訳ツールは、構文的、テンプレートベースの翻訳に依存しすぎている可能性がある。
本稿では,新しい依存誘導型大規模言語モデル (LLM) をベースとしたC-to-Rust変換手法であるRustMapを提案する。
論文 参考訳(メタデータ) (2025-03-22T11:57:45Z) - LLM-Driven Multi-step Translation from C to Rust using Static Analysis [27.122409727034192]
レガシー言語で書かれたソフトウェアをCからRustなどのモダン言語に翻訳することは、メモリ安全性を改善する上で大きなメリットがある。
LLM駆動型C-to-Rustゼロショット変換ツールであるSACTORを2段階の翻訳手法を用いて提案する。
SACTORは、既存の方法と比較して、より自然でRustに準拠した翻訳を生成する。
論文 参考訳(メタデータ) (2025-03-16T14:05:26Z) - RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。
複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
論文 参考訳(メタデータ) (2024-11-21T10:00:52Z) - Context-aware Code Segmentation for C-to-Rust Translation using Large Language Models [1.8416014644193066]
大きな言語モデル(LLM)は、ルールベースのメソッドよりも自然で安全なコードを生成することで、この翻訳を自動化することを約束している。
大規模Cコードをコンパイル可能なRustコードに変換する際の成功率を改善するLLMベースの翻訳方式を提案する。
4キロのコードを含む20のベンチマークCプログラムの実験では、すべてのプログラムをコンパイル可能なRustコードに変換することに成功した。
論文 参考訳(メタデータ) (2024-09-16T17:52:36Z) - SpecTra: Enhancing the Code Translation Ability of Language Models by Generating Multi-Modal Specifications [17.60108067953814]
大規模言語モデル(LLM)は、コード翻訳の自動化作業にますます利用されている。
本稿では,新しい自己整合性フィルタを用いて,まず高品質な仕様を生成するマルチステージアプローチであるSpecTraを提案する。
論文 参考訳(メタデータ) (2024-05-28T20:48:30Z)
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。