arXiv cs.CL· Zhenlong Dai, Zhuoluo Zhao, Xiu Tang, Sai Wu, Chang Yao, Zhipeng Gao, Jingyuan Chen·· 11 小时前AI 评分31
用强化学习提升真实场景下的仓库级代码补全
Enhancing Repository-Level Code Completion with Reinforcement Learning in Real-World Scenarios
AI 导读
研究者提出一个面向仓库级代码补全的强化学习框架，通过标识符驱动的意图识别捕捉补全意图，并用奖励驱动的补全学习增强跨文件推理。该框架还引入选择性探索策略，引导模型关注低置信度、高奖励的 token。实验显示该方法显著提升了 Code LLM 的性能，代码与数据集已公开，论文被 EMNLP 2026 接收。
正文 · AI 翻译
摘要：面向代码的大语言模型（LLM）发展迅速，与真实世界软件开发的实践需求高度契合，已在仓库级代码补全领域引发越来越多的关注。然而，现有的代码 LLM 在从仓库中聚焦合适上下文以及深入推理跨文件依赖关系方面仍面临挑战。为应对这些挑战，我们提出了一种用于仓库级代码补全的新型强化学习框架。为更好地理解文件内与跨文件上下文，我们采用标识符驱动的意图识别来捕捉补全意图，从而提升模型在真实场景中的表现。为增强跨文件推理，我们提出了奖励驱动的补全学习，以在复杂的仓库补全场景中有效给予奖励。为引导 LLM 补全出符合预期功能与仓库上下文的代码，我们引入了一种选择性探索策略，引导模型关注低置信度、高奖励的 token，促进对有价值但探索不足的补全模式的探索。实验结果表明，我们的方法显著提升了代码 LLM 的性能。代码与数据集可在 此 https URL 获取。
| 评论： | 已被 EMNLP 2026 Main 接收 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.07510 [cs.CL] |
| （或 arXiv:2611.07510v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07510 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhenlong Dai [查看邮箱]
[v1]
2026年11月5日 星期四 06:17:01 UTC（271 KB）
来源：arXiv cs.CL · arxiv.org