DARE：用失败率定义并预测代码修复难度
热点事件持续更新
DARE：用失败率定义并预测代码修复难度
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Jikwang Lee、Seungwook Jung 与 Jaechang Nam 提交论文，提出 DARE 框架：把代码修复任务的难度定义为多个编码智能体在该任务上的实际失败率，再用从基准产物中提取的 151 个静态特征预测这一难度。 在四个基准分区共 2,594 个任务上，DARE 的难度预测在留出集达到 Spearman's ρ = .476–.621，且各任务最关键的 Repair-Task Feature Group 并不相同。作者称，编码智能体实验显示，按任务显著特征组匹配支持可提升修复成功率。
AI 根据报道生成 · 2 小时前更新
最新进展11月5日 13:00
DARE：面向修复增强的任务难度分析框架报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.AIDARE：面向修复增强的任务难度分析框架
DARE 将修复任务难度定义为多个编码智能体在任务上的实际失败率，并用从基准产物中提取的 151 个静态特征预测该难度。在包含 2,594 个任务的四个基准分区上，其难度预测在留出集上达到 Spearman's ρ = .476-.621，且各任务最关键的 Repair-Task Feature Group 存在差异。编码智能体实验显示，按任务显著特征组匹配支持可提升修复成功率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。