arXiv cs.AI· Elad Sharony, Ido Greenberg, Jialin Song, Shie Mannor, Gal Chechik, Eli Meirom·· 3 天前AI 评分29
CodeTriage：让 LLM 代码修复的每次搜索都更高效
Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair
AI 导读
研究者提出 CodeTriage，一个 0.6B 参数的学习型策略，在生成和测试修订代码前，先读取测试输出、失败诊断和候选编辑，预测该编辑达到修复所需的修复步数分布，从而对多个程序的待处理编辑统一排序。
正文 · AI 翻译
摘要：大型语言模型（LLM）代码修复系统通过反复生成并测试修订版本来修复有缺陷的程序。每次修订成本高昂，因此选择要进行的修复对效率至关重要。现有的搜索策略依赖于测试通过率和搜索统计信息，忽略了测试失败细节和所提议编辑的内容。我们提出 CodeTriage，一种学习型策略，可在修订后的程序生成和测试之前对编辑进行优先级排序。其 0.6B 参数模型读取测试输出、失败诊断和所提议的编辑，然后预测通过该编辑达到修复所需的修复步骤数的分布。这些预测在生成和测试修订代码之前对所有程序中的所有待处理编辑进行优先级排序。在留出的修复任务上，CodeTriage 相比各指标上最强的基线，程序修订次数减少 21%，输出 token 减少 12%。无需重新训练，它在 11 个未见过的修复 LLM 上，在每个搜索预算下都取得了最高的平均成功率。消融实验表明，失败上下文和编辑文本，以及跨程序的比较，都能改善搜索。我们还发布了一个包含来自四个 LLM 的 1220 万个程序版本的语料库，组织成带有提议编辑和测试结果的修复树。
| Subjects: | 机器学习 (cs.LG)；人工智能 (cs.AI)；软件工程 (cs.SE) |
| 引用为： | arXiv:2610.15894 [cs.LG] |
| （或 arXiv:2610.15894v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15894 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Elad Sharony [查看电子邮件]
[v1]
2026年10月11日星期日 20:19:05 UTC（524 KB）
来源：arXiv cs.AI · arxiv.org