Core Concepts
PROCODERは、プロジェクトレベルのコードコンテキストを繰り返し洗練し、コンパイラフィードバックによって正確なコード生成を実現する。
Abstract
大規模言語モデル(LLMs)が自動コード生成で進歩していることが示されている。
プロジェクト固有の情報を取り入れた正確なコード生成に挑戦することが重要。
PROCODERはプロジェクトレベルのコードコンテキストを洗練し、80%以上の改善を達成した。
コンパイラフィードバックによる修正は、モデルの性能向上に効果的である。
Introduction
LLMsは自動化されたコード生成で進歩しており、GitHub CopilotやCodeWhispererなどのツールが登場している。
実際のソフトウェアプロジェクトにLLMベースのコード生成を統合することは依然として課題である。
Methodology
PROCODERはプロジェクトレベルの情報を活用して生成されたコードからエラーを特定し修正する手法を提案している。
プロジェクトレポジトリから関連する情報を取得してエラーを修正する反復的な過程が行われている。
Results and Analysis
PROCODERは他の基準よりも優れた性能を示すことが明らかになっている。
コンパイラフィードバックの有用性が実証されており、性能向上に寄与している。
Stats
大規模言語モデル(LLMs)やGPT-3.5-Turboなどへの言及あり
Quotes
"PROCODER significantly improves the vanilla LLMs by over 80% in generating code dependent on project context."
"Directly incorporating the entire project code into a language model is infeasible due to model input sequence length limitations."