TL;DR
- چکیده: مدلهای زبان بزرگ (LLM) پیشرفت قابل توجهی در تولید کد در سطح مخزن داشتهاند.
- با این حال،.
- حل یک وظیفه در سطح مخزن اغلب به تلاشهای متعدد نیاز دارد،.
چه اتفاقی افتاد
چکیده: مدلهای زبان بزرگ (LLM) پیشرفت قابل توجهی در تولید کد در سطح مخزن داشتهاند. با این حال،.
حل یک وظیفه در سطح مخزن اغلب به تلاشهای متعدد نیاز دارد،. در حالی که روشهای موجود همچنان هر تلاش را به صورت مجزا بهینه میکنند و حالت خاص کار.
را در طول تلاشها حفظ یا استفاده مجدد نمیکنند. در این مقاله،.
LiveCoder،. یک چارچوب جدید برای تولید کد در سطح مخزن بر اساس بهینهسازی دانش متقابل،.
پیشنهاد میکنیم. LiveCoder از تلاشهای قبلی برای هدایت نسلهای بعدی، وضعیت خاص کار را ثابت نگه میدارد.
این حالت شامل دانش موفقیت است که سیگنالهای قابل استفاده مجدد را از مخازن قوی قبلی میگیرد،. دانش خرابی که نتایج ناموفق و سیگنالهای تشخیصی آنها را ثبت میکند،.
و مخزن تاریخی بهترین،. که قویترین نتیجهای را که تاکنون پیدا شده حفظ میکند و از پسرفت جلوگیری میکند.
اینها مؤلفهها بهطور جمعی تولید مخزن مکرر را به یک فرآیند بهینهسازی مستمر و دانش محور. تبدیل میکنند.
ما LiveCoder را با استفاده از چهار LLM مرزی بر روی دو معیار تولید کد در سطح مخزن. ارزیابی میکنیم.
نتایج تجربی گسترده، اثربخشی و کارایی LiveCoder را نشان میدهد، امتیاز عملکردی را تا 22. 94 درصد بهبود میبخشد، استفاده مجدد از مخزن را به 81.
58 درصد افزایش میدهد و هزینه را تا 53. 63 درصد در RAL-Bench کاهش میدهد در حالی که کیفیت غیرعملکردی بهطور کلی پایدار حفظ میشود.
مهندسی نرم افزار (cs. SE); هوش مصنوعی (cs.
AI) استناد بهعنوان: (یا v1 [cs. SE] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Ruwei Pan [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 08:.
03:. 03 UTC (1,.
198 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.