基於微調的困難負採樣改進代碼搜索
本文提出了一種名為 R2PS 的代碼搜索方法，該方法利用改進的微調策略來提高預訓練代碼模型的性能。R2PS 採用檢檢索器-排序器框架，結合了雙編碼器和交叉編碼器的優勢，並引入了基於排序的困難負採樣方法來優化模型訓練，從而在代碼搜索的效率和準確性之間取得平衡。
파인튜닝 기반 어려운 부정 샘플링을 사용한 코드 검색 개선
본 논문에서는 사전 훈련된 코드 모델의 검색 관련 작업에 대한 파인튜닝 단계를 개선하여 코드 검색의 효율성을 향상시키는 새로운 Retriever-Ranker(RR) 프레임워크를 제안합니다.
ファインチューニングに基づく困難なネガティブサンプリングによるコード検索の改善
事前学習済みコードモデルのファインチューニング段階において、クエリとコード間のトークンレベルの相互作用を効果的にモデル化することで、コード検索の精度と効率を向上させることができる。
基於評估的大語言模型代理設計：流程與架構——兼論持續改進與風險控制
為了解決傳統評估方法不足以應對大語言模型代理開發挑戰的問題，本文提出了一種基於評估的設計方法，該方法將線上和離線評估整合到整個代理生命週期中，以支持適應性運行時調整和系統化的離線重新開發，從而持續改進代理的設計、效能和安全性。
LLM 에이전트 설계를 위한 평가 중심 접근 방식: 프로세스 모델 및 레퍼런스 아키텍처 제안
LLM 에이전트의 성능과 안전성을 보장하기 위해서는 개발, 배포, 운영 전반에 걸쳐 지속적인 평가가 필수적이며, 본 논문은 이를 위한 체계적인 프로세스 모델과 레퍼런스 아키텍처를 제안한다.
大規模言語モデルエージェントの評価駆動型設計：プロセスとアーキテクチャ
本稿では、大規模言語モデル（LLM）エージェントの設計において、評価を設計の中心に据えた評価駆動型アプローチを提唱する。
An Evaluation-Driven Approach to Designing Large Language Model Agents: Addressing Challenges in Quality, Safety, and Continuous Improvement
LLM agents require a new evaluation-driven design approach that integrates continuous online and offline evaluations to address challenges in quality, safety, and adaptability in dynamic environments.
지난 10년간 산업 현장에서의 TLA+ 활용에 대한 체계적 문헌 고찰
지난 10년 동안 클라우드 산업을 중심으로 TLA+ 사용이 증가했으며, 이는 시스템 설계 초기 단계와 디버깅 과정에서 복잡한 버그를 효과적으로 찾아내고 시스템 설계를 개선하며 전반적인 이해도를 높이는 데 기여했습니다.
A Systematic Literature Review: Analyzing a Decade of TLA+ Adoption in Industrial Software Development
TLA+, a formal specification language, is gaining traction in industrial software development, particularly for cloud-based systems, due to its ability to detect subtle bugs and improve system design, but its adoption is hampered by a steep learning curve and challenges in model abstraction.
Empirical Evaluation of Large Language Models for Data Science Code Generation Using StrataScratch
While large language models (LLMs) show promise for data science code generation, a structured evaluation reveals varying performance across models and task complexities, highlighting the need for careful model selection and further research.
© 2024 by Linnk AI