Der Artikel präsentiert einen neuartigen Ansatz namens PROCODER, der den projektspezifischen Codekontext iterativ verfeinert, um eine präzisere Codegenerierung zu ermöglichen. Dieser Ansatz nutzt Compiler-Techniken, um Diskrepanzen zwischen dem generierten Code und dem Projektkontext zu identifizieren. Anschließend werden die identifizierten Fehler unter Verwendung von Informationen aus dem Coderepository iterativ behoben.
PROCODER wurde mit zwei repräsentativen Sprachmodellen, GPT-3.5-Turbo und Code Llama (13B), integriert und auf die Pythoncodegenerierung angewendet. Die Ergebnisse zeigen, dass PROCODER die Leistung der Basismodelle bei der Generierung von kontextabhängigem Code um über 80% verbessert und konsistent besser abschneidet als bestehende retrievalbasierte Codegenerierungsansätze.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Zhangqian Bi... at arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.16792.pdfDeeper Inquiries