Inspectable Control for Structure-Preserving Software Regeneration

Alexey Gavrilov; Alan-Barsag Gazzaev; Mikhail Mozikov; Ilya Makarov; Sergey Muravyov

doi:10.1145/3803437.3807386

Inspectable Control for Structure-Preserving Software Regeneration

నిర్మాణాన్ని పరిరక్షించే సాఫ్ట్‌వేర్ పునరుత్పాదనకు పరిశీలనయోగ్య నియంత్రణ

క్రమానుగత వివిక్త గుప్త నిరూపణలతో నియంత్రించదగిన పాక్షిక కోడ్ పునరుత్పాదన.

Alexey Gavrilov¹Alan-Barsag Gazzaev¹Mikhail Mozikov²Ilya Makarov²Sergey Muravyov¹

పూర్తి పత్రాన్ని HTMLలో చదవండిసూత్రాలు, పట్టికలు, బొమ్మలు, సూచనలతో కూడిన శోధించదగిన పాఠ్యం.

తుది రచయితల జాబితా, DOIతో ప్రచురణ-సిద్ధ రచయిత మాన్యుస్క్రిప్ట్. CC BY 4.0 author manuscript; the ACM DOI page remains the version of record. ప్రచురణ, పునర్వినియోగ నిబంధనలు.

30 సెకన్లలో పత్రం

పరిశోధనా ప్రశ్నప్రోగ్రామ్ స్థూల నిర్మాణంలో ఎంపిక చేసిన అంశాలను పరిరక్షిస్తూ, దానిలోని నిర్దిష్ట భాగాలను ఉత్పాదక నమూనా ఎలా మార్చగలదు?

సమస్య

ఎంచుకున్న ప్రోగ్రామ్ నిర్మాణం స్థిరంగా ఉండగా, AI-సహాయక కోడ్ మార్పుకు తరచుగా ఒక పరిమిత మార్పే అవసరం. మొత్తం ప్రోగ్రామ్‌ను పునరుత్పత్తి చేయడం సంబంధంలేని ప్రాంతాలను కలవరపెట్టవచ్చు; టోకెన్-స్థాయి నియమాలు స్థూల నియంత్రణ ఉపరితలాన్ని అందుబాటులో ఉంచవు.

విధానం

ఈ అధ్యయనం 64-టోకెన్ Python ఫంక్షన్‌లను శ్రేణీకృత VQ-VAEతో ఎన్‌కోడ్ చేసి, ఎంచుకున్న స్థూల వివిక్త కోడ్‌లను లాక్ చేసి, మిగిలిన గుప్త స్థానాల్లో స్థానీకృత కోడ్ పునరుత్పాదనకు మాస్క్‌డ్ వివిక్త ఉత్పాదనను ఉపయోగిస్తుంది.

ప్రధాన ఫలితం

నాలుగు ఉన్నత-స్థాయి కోడ్‌లను స్థిరపరచడం పార్స్ రేటును 0.453 నుంచి 0.591కు పెంచుతుంది; స్థిరపరచని స్థానాలు ఇప్పటికీ 0.936 రేటుతో మారుతాయి, షరతుబద్ధ నమూనాలు 0.998 మేరకు అద్వితీయంగా ఉంటాయి.

ఇది ఎందుకు ముఖ్యం

నియంత్రిత కోడ్ సవరణ, పాక్షిక ప్రోగ్రామ్ పునరుత్పాదనకు కొలవదగిన స్థిరత్వం–స్వేచ్ఛ సమతుల్యతను ఫలితాలు చూపుతాయి. పరిశీలనయోగ్య అవ్యక్త నియంత్రణ పొరకు ఇవి ప్రాథమిక ఆధారాలు మాత్రమే; అర్థ సమానత్వానికి లేదా కార్యాత్మక సరైనతకు రుజువు కాదు.

సారాంశం

నిర్బంధిత మరమ్మత్తు, దశలవారీ శుద్ధీకరణ, నిర్మాణ-పరిరక్షక సవరణ వంటి సాఫ్ట్‌వేర్ ఇంజినీరింగ్ కార్యప్రవాహాల్లో ఏది మారాలి, ఏది స్థిరంగా ఉండాలి అనే దానిపై నియంత్రణ అవసరం. ఈ కార్యాలకు టోకెన్-స్థల ఉత్పాదన బలహీనమైన నియంత్రణ అంతర్ముఖం; ఎందుకంటే సాఫ్ట్‌వేర్ ఇంజినీరింగ్ సాధారణంగా పరిరక్షించదలచే స్థూల నిర్మాణాత్మక అవికారాలకు బదులుగా అది స్థానిక ఉపరితల పాఠ్యాన్నే నిర్బంధిస్తుంది. సాఫ్ట్‌వేర్ కళాఖండాలకు పరిశీలనయోగ్య మధ్యంతర ప్రాతినిధ్యంగా శ్రేణీకృత వివిక్త గుప్త చరరాశులను మేము అధ్యయనం చేస్తున్నాము: శ్రేణీకృత VQ-VAE ఒక 64-టోకెన్ Python ఫంక్షన్‌ను స్థూల, సూక్ష్మ వివిక్త కోడ్‌లుగా సంపీడిస్తుంది; ముసుగు-ఆధారిత వివిక్త ఉత్పాదన పాక్షిక నిర్బంధాల కింద ఎంచుకున్న స్థానాలను మాత్రమే పునరుత్పాదిస్తుంది. ముందస్తు ప్రాసెసింగ్ చేసిన 2,000 Python ఫంక్షన్‌లపై నాలుగు ఉన్నత-స్థాయి కోడ్‌లను లాక్ చేయడం పార్స్ రేటును 0.453 నుంచి 0.591కు పెంచింది; అదే సమయంలో లాక్ చేయని స్థానాల్లో గణనీయమైన మార్పు (సవరణ స్వేచ్ఛ, 0.936), దాదాపు గరిష్ఠ నమూనా విశిష్టత (వైవిధ్యం, 0.998) నిలిచాయి. స్థిరమైన స్థూల సందర్భంలో దిగువ-స్థాయి శుద్ధీకరణ బలహీనంగా ఉన్నప్పటికీ ఏకదిశగా మెరుగుపడింది; ఇది శ్రేణిని స్థూలం నుంచి సూక్ష్మానికి సాగే విధంగా అర్థం చేసుకోవడానికి మద్దతిస్తుంది. మొత్తంగా, టోకెన్ స్థాయికి ఎగువన పరిమిత పరిధిగల నిర్మాణ-పరిరక్షక సాఫ్ట్‌వేర్ కళాఖండ పునరుత్పాదనకు తోడ్పడే ఆచరణాత్మక నియంత్రణ పొరకు ఈ ఫలితాలు ప్రాథమిక ఆధారాలను అందిస్తాయి.

ప్రచురిత వేదిక Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering

కృషి రకం గుప్త-స్థల నియంత్రణ పద్ధతి

జూలై 5, 2026pp. 1406–1407అనుబంధ పోస్టర్

DOI https://doi.org/10.1145/3803437.3807386

కీలక ఫలితాలు

నిర్మాణ-పరిరక్షక సాఫ్ట్‌వేర్ పునరుత్పాదనకు పరిశీలనయోగ్య నియంత్రణ: ప్రధాన ఫలితాలు
అమరిక	పార్స్ రేటు	అస్థిపంజరం	సంతకం	లాక్ చేయని మార్పు
ఇన్‌పుట్ (కుదించబడింది)	0.994	0.994	0.994	—
కోడెక్ పునర్నిర్మాణం	0.857	0.848	0.493	0
నిరుపాధిక ఉత్పాదన	0.453	0.08	0	0.995
షరతులతో, ఉపసర్గ k=4	0.591	0.295	0.061	0.936
షరతులతో, సిగ్నేచర్ విస్తృతి	0.6	0.302	0.063	నివేదించలేదు

కీలక ఫలితం. స్థూల గుప్త స్థానాలను లాక్ చేయడం సవరించదగిన ప్రాంతంలోని మార్పును కుంచించకుండానే వాక్యనిర్మాణ స్థిరత్వాన్ని మెరుగుపరుస్తుంది; ఈ ఫలితం నిర్మాణాత్మక నియంత్రణను చూపుతుంది గానీ, కార్యాత్మక సమానత్వానికి హామీ ఇవ్వదు.

దత్తసమితి: CodeParrot Clean ఉపసమితి నుంచి ముందస్తు ప్రాసెసింగ్ చేసిన 2,000 Python ఫంక్షన్‌లు
నమూనా పరిమాణం: ముందస్తు ప్రాసెసింగ్ చేసిన 2,000 Python ఫంక్షన్‌లు; షరతులతో కూడిన నమూనాల విశిష్టత 0.998.
మాపకాలు: పార్స్ రేటు; అస్థిపంజరం, సిగ్నేచర్ పరిరక్షణ ప్రత్యామ్నాయ సూచికలు; అన్‌లాక్ చేసిన స్థానాల మార్పు రేటు; నమూనా వైశిష్ట్యం, ఎంట్రోపీ
అనిశ్చితి: రెండు పేజీల ఈ అధ్యయనం విశ్వసనీయత అంతరాలు లేదా బహుళ-సీడ్ గణాంక విశ్లేషణ లేకుండా బిందు అంచనాలను నివేదిస్తుంది.
షరతులు: 64-టోకెన్ ఫంక్షన్‌లు, argmax డీకోడింగ్, 16 ఉన్నత-స్థాయి కోడ్‌లు, 32 దిగువ-స్థాయి కోడ్‌లు; సంపూర్ణ లాకింగ్ కోడెక్ పునర్నిర్మాణాన్ని యథాతథంగా తిరిగి పొందుతుంది.

ఫలితాలను డౌన్‌లోడ్ చేయండి:CSV JSON మార్క్‌డౌన్బాహ్య ప్రతిబింబం:Hugging Face డేటాసెట్ కార్డు

PDF మరియు ఉదహరణ

ఈ పరిశోధన పత్రాన్ని ఉల్లేఖించండి BibTeX సిఫారసు చేసిన ఆకృతి. దిగువనున్న ప్రతి రూపాంతరం ఒకే ప్రచురణ రికార్డు నుంచి రూపొందించబడింది.

PDF తెరవండి

@inproceedings{Gavrilov2026InspectableControl,
  title      = {Inspectable Control for Structure-Preserving Software Regeneration},
  author     = {Gavrilov, Alexey and Gazzaev, Alan-Barsag and Mozikov, Mikhail and Makarov, Ilya and Muravyov, Sergey},
  booktitle  = {Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering},
  publisher  = {ACM},
  year       = {2026},
  pages      = {1406--1407},
  doi        = {10.1145/3803437.3807386},
  url        = {https://doi.org/10.1145/3803437.3807386},
  isbn       = {979-8-4007-2636-1},
}

.bibను డౌన్‌లోడ్ చేయండి

Gavrilov, A., Gazzaev, A.-B., Mozikov, M., Makarov, I., and Muravyov, S. (2026). Inspectable Control for Structure-Preserving Software Regeneration. In Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering (pp. 1406–1407). ACM. https://doi.org/10.1145/3803437.3807386

A. Gavrilov, A.-B. Gazzaev, M. Mozikov, I. Makarov, and S. Muravyov, “Inspectable Control for Structure-Preserving Software Regeneration,” in Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering, 2026, pp. 1406–1407, doi: 10.1145/3803437.3807386.

TY  - CPAPER
TI  - Inspectable Control for Structure-Preserving Software Regeneration
AU  - Gavrilov, Alexey
AU  - Gazzaev, Alan-Barsag
AU  - Mozikov, Mikhail
AU  - Makarov, Ilya
AU  - Muravyov, Sergey
PY  - 2026
DA  - 2026-07-05
T2  - Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering
SP  - 1406
EP  - 1407
PB  - ACM
DO  - 10.1145/3803437.3807386
UR  - https://doi.org/10.1145/3803437.3807386
SN  - 979-8-4007-2636-1
ER  -

.risను డౌన్‌లోడ్ చేయండి

ఉల్లేఖన ఫైళ్లు:APA పాఠ్యం IEEE పాఠ్యం RIS CSL-JSON Schema.org JSON-LD OAI-DC XML OpenAIRE v4 XML MODS XML JATS 1.4 మెటాడేటా XML సంపూర్ణ-పాఠ్య JATS 1.4 XML RDF Turtle లింక్ సమితి (JSON)లింక్ సమితి (HTTP)RO-Crate

DOI:https://doi.org/10.1145/3803437.3807386

సంపూర్ణ మార్గదర్శిని

సంపూర్ణ పరిశోధనా మార్గదర్శిని

ఈ పద్ధతి ఒక చిన్న Python ఫంక్షన్‌ను రెండు స్థాయుల వివిక్త కోడ్‌లుగా సంపీడించి, ఎంచుకున్న స్థూల స్థానాలను స్థిరపరుస్తుంది; మిగిలిన స్థానాలను పునరుత్పాదించిన తరువాత వాటిని తిరిగి కోడ్‌గా డీకోడ్ చేస్తుంది.

ఎన్‌కోడ్ చేయండి
64-టోకెన్ Python ఫంక్షన్‌ను క్రమానుగత VQ-VAEతో 16 ఉన్నత-స్థాయి కోడ్‌లు, 32 దిగువ-స్థాయి కోడ్‌లుగా సంపీడించండి.
స్థిరపరచండి
ఫంక్షన్ సిగ్నేచర్ విస్తృతిని కప్పే ఉపసర్గ వంటి, పరిరక్షించాల్సిన నిర్మాణాన్ని సూచించే స్థూల కోడ్ స్థానాలను ఎంచుకోండి.
పునర్జననం చేయండి
అన్‌లాక్ చేసిన స్థానాలపై మాత్రమే మాస్క్‌డ్ వివిక్త జననాన్ని అమలు చేసి, పూర్తయిన శ్రేణిని తిరిగి సోర్స్ కోడ్‌గా డీకోడ్ చేయండి.
పరిశీలించండి
పునరుత్పత్తిని ఆమోదించే ముందు పార్స్ రేటు, నిర్మాణాత్మక ప్రత్యామ్నాయ సూచికలు, అన్‌లాక్ చేసిన స్థానాల్లో మార్పు, నమూనా వైశిష్ట్యాన్ని కొలవండి.

ఎంచుకున్న స్థూల ప్రోగ్రామ్ కోడ్‌లు స్థిరంగా ఉండగా, ముసుగు వేసిన సూక్ష్మ వివిక్త కోడ్‌లు పునరుత్పాదితమై సవరించిన Python ఫంక్షన్‌గా డీకోడ్ అవుతాయి. — శ్రేణీకృత వివిక్త గుప్త సంకేత సవరణ, ఎంపిక చేసిన స్థూల ప్రోగ్రామ్ నిర్మాణాన్ని పరిరక్షిస్తూ సవరించగల ప్రాంతంలోని సూక్ష్మ కోడ్‌లను పునరుత్పాదిస్తుంది.మూలం: ప్రచురిత పద్ధతి, ఫలితాల ఆధారంగా రచయిత రూపొందించిన వివరణాత్మక రేఖాచిత్రం..పునర్వినియోగ నిబంధనలు: CC BY 4.0.సూచిత ఆపాదన: Gavrilov et al. (2026), Inspectable Control for Structure-Preserving Software Regeneration. SVGను డౌన్‌లోడ్ చేయండి.

కీలక భావన

టోకెన్‌లకు పైనున్న అభ్యసిత నిరూపణపై నియంత్రణ వర్తింపజేస్తారు: సమీప అమలు వివరాలను సవరించగలిగేలా ఉంచుతూనే నిర్మాణాన్ని స్థిరపరచగల స్పష్టమైన స్థానాలను స్థూల గుప్త స్థానాలు నిర్వచిస్తాయి.

సమీప విధానాల నుంచి భేదం

ప్రాంప్ట్-స్థాయి లేదా టోకెన్-స్థాయి నిర్బంధాలు ఉపరితల పాఠ్యంపై పనిచేస్తాయి. ప్రతిపాదిత ఇంటర్‌ఫేస్ స్థూల, సూక్ష్మ వివిక్త నియంత్రణ బిందువులను అందుబాటులోకి తెచ్చి, తద్వారా ఏర్పడే స్థిరత్వం–స్వేచ్ఛ మధ్య సమతూకాన్ని కొలుస్తుంది.

కొత్తదేమిటి

ఈ కృషి పరిమిత సాఫ్ట్‌వేర్ కళాఖండ పునరుత్పాదన కోసం పరిశీలనీయ శ్రేణీకృత గుప్త నియంత్రణ పొరను పరిచయం చేసి మూల్యాంకనం చేస్తుంది.

పరిశోధనా పత్రంపై ఆధారపడిన సంక్షిప్త సమాధానం కోసం ఒక ప్రశ్నను తెరవండి. సాక్ష్యానికి సంబంధించిన విపులమైన సరిహద్దులు పరిమితులు విభాగంలో ఇవ్వబడ్డాయి.

అంతటినీ తిరిగి రాయకుండా AI కోడ్‌ను ఎలా సవరించగలదు?
ఈ పరిశోధన పత్రం టోకెన్ స్థాయికి ఎగువన పాక్షిక కోడ్ పునరుత్పాదనను అధ్యయనం చేస్తుంది. శ్రేణీకృత VQ-VAE ఒక చిన్న Python ఫంక్షన్‌ను స్థూల, సూక్ష్మ వివిక్త కోడ్‌లకు మ్యాప్ చేస్తుంది; ఎంచుకున్న స్థూల స్థానాలను లాక్ చేసి, డీకోడింగ్‌కు ముందు మిగిలిన గుప్త స్థానాలను మాత్రమే ముసుగు-ఆధారిత వివిక్త ఉత్పాదన మారుస్తుంది. మొత్తం ఫంక్షన్‌ను పునరుత్పాదించడానికి బదులుగా ఇది స్పష్టమైన పరిరక్షణ సరిహద్దును అందిస్తుంది.
కోడ్ ఉత్పాదనలో ప్రోగ్రామ్ నిర్మాణాన్ని ఏ పద్ధతులు పరిరక్షిస్తాయి?
ఈ కృషి శ్రేణీకృత వివిక్త గుప్త నియంత్రణను పరీక్షిస్తుంది. స్థూల గుప్త స్థానాలను స్థిరపరచి, లాక్ చేయని స్థానాలను పునరుత్పత్తి చేయవచ్చు; అనంతరం పార్స్ రేటు, నిర్మాణాత్మక ప్రాక్సీలను కొలుస్తారు. సాక్ష్యం చిన్న Python ఫంక్షన్‌లలో సంభావ్యతాత్మక నిర్మాణ స్థిరత్వానికి సంబంధించినది; ఖచ్చితమైన AST పరిరక్షణ, అర్థ సమానత్వం లేదా క్రియాత్మక సరిదిద్దతను స్థాపించదు.
క్రమానుగత వివిక్త గుప్త చరాలు కోడ్‌పై స్థానికీకృత నియంత్రణను అందించగలవా?
నివేదించిన 2,000-ఫంక్షన్ ప్రయోగంలో, నాలుగు ఉన్నత-స్థాయి కోడ్‌లను స్థిరపరచడం పార్స్ రేటును 0.453 నుంచి 0.591కు పెంచింది. అదే సమయంలో, స్థిరపరచని స్థానాల్లో 0.936 మారాయి; షరతుబద్ధ నమూనాలు 0.998 మేరకు అద్వితీయంగా ఉన్నాయి. స్థానిక సవరణ స్వేచ్ఛను లేదా నమూనా వైవిధ్యాన్ని తొలగించకుండానే స్థూల గుప్త నియంత్రణలు కొంత నిర్మాణాన్ని పరిరక్షించగలవనడానికి ఈ ఫలితాలు ప్రాథమిక ఆధారాలు.
కోడ్ ఉత్పాదన నిర్మాణాత్మక స్థిరత్వానికీ వైవిధ్యానికీ మధ్య సమతుల్యతను ఎలా సాధించగలదు?
ఈ పరిశోధన పత్రం చెల్లుబాటును మాత్రమే గరిష్ఠం చేయకుండా స్థిరత్వం, స్వేచ్ఛ రెండింటినీ కలిపి మూల్యాంకనం చేస్తుంది. స్థూల కోడ్‌లను లాక్ చేయడం వాక్యనిర్మాణ చెల్లుబాటును పెంచగా, లాక్ చేయని స్థానాల్లో మార్పు అధికంగానే ఉంది; షరతుబద్ధ నమూనాలు దాదాపు పూర్తిగా విశిష్టంగా నిలిచాయి. పరీక్షించిన అమరికలో కొలవదగిన స్థిరత్వం–స్వేచ్ఛ సమన్వయాన్ని ఈ ఫలితం చూపుతుంది; ఇది సార్వత్రిక గరిష్ఠ పరిష్కారం కాదు.
ఈ పరిశోధనకు LLM-సహాయక కోడ్ సవరణతో ఎలాంటి సంబంధం ఉంది?
పరీక్షించిన నమూనా మాస్క్‌డ్ వివిక్త ఉత్పాదనతో కూడిన శ్రేణీకృత VQ-VAE; అది పెద్ద భాషా నమూనా కాదు. అయినప్పటికీ, అభ్యర్థించిన ప్రాంతం వెలుపల అనవసర మార్పులు ఆచరణాత్మక సమస్య కాబట్టి ఈ నియంత్రణ సమస్య LLM-సహాయక సవరణకు వర్తిస్తుంది. ఈ పత్రం పూరక గుప్త-స్థల యంత్రాంగాన్ని, మూల్యాంకన చట్రాన్ని అందిస్తుంది; LLM సవరణ ప్రమాణపరీక్షను కాదు.

నిర్మాణ-పరిరక్షక సాఫ్ట్‌వేర్ పునరుత్పాదనకు పరిశీలనయోగ్య నియంత్రణను సమీప పద్ధతులతో వాస్తవాధారంగా పోల్చడం
సామర్థ్యం	టోకెన్-స్థాయి నియంత్రణ	శ్రేణీకృత గుప్త నియంత్రణ
స్థూల నిర్మాణాన్ని స్థిరపరచండి	పరిమితం	స్వాభావిక స్థూల-కోడ్ లాకింగ్
పాక్షిక పునరుత్పత్తి	సులభంగా భంగపడే ఉపరితల నిర్బంధాలు	ఎంచుకున్న కోడ్‌లను మాస్క్ చేసి పునఃనమూనీకరించడం
పరిశీలనయోగ్య నియంత్రణ బిందువులు	స్పష్టమైన మధ్యంతర పొర లేదు	స్థూల, సూక్ష్మ వివిక్త స్థానాలు
ఈ పత్రంలోని సాక్ష్యం	సంపూర్ణ ప్రామాణిక ఆధారంగా మూల్యాంకనం చేయలేదు	వాక్యనిర్మాణ స్థిరత్వం, సవరణ-స్వేచ్ఛ నిర్ధారణ సూచికలు

ఈ పట్టిక ఇంటర్‌ఫేస్‌లను, అధ్యయనంలో కొలిచిన సాక్ష్యాన్ని వివరిస్తుంది; క్రియాత్మక సరిదిద్దతను గానీ సార్వత్రిక ఆధిక్యాన్ని గానీ ప్రకటించదు.

AI-సహాయక కోడ్ పరివర్తన ఏ అంశాలను మార్చవచ్చు, ప్రోగ్రామ్‌లోని ఏ భాగాలు స్థిరంగా ఉండాలి అనే దానిపై స్పష్టమైన నియంత్రణ అవసరమైన పరిశోధనకు ఈ పత్రం అత్యంత ప్రాసంగికం.

నియంత్రించదగిన, నిర్మాణ-పరిరక్షక కోడ్ ఉత్పాదన
స్థానికీకృత ప్రోగ్రామ్ మరమ్మత్తు, పరిమిత రీఫ్యాక్టరింగ్
మూల కోడ్‌కు శ్రేణీకృత వివిక్త ప్రాతినిధ్యాలు
మూల కోడ్ కోసం మాస్క్ చేసిన వివిక్త ఉత్పత్తి
సాఫ్ట్‌వేర్ కళాఖండాలకు గుప్త నియంత్రణ

పరిమితులు, ఆధారాల సరిహద్దులను చూడండి

ఈ అధ్యయనం 64 టోకెన్‌లకు కుదించిన చిన్న Python ఫంక్షన్‌లకే పరిమితం.
మూల్యాంకనంలో క్రియాత్మక సమానత్వ పరీక్షలకు బదులుగా argmax డీకోడింగ్‌తో పాటు వాక్యనిర్మాణ లేదా నిర్మాణాత్మక పరోక్ష కొలమానాలను ఉపయోగించారు.
సంతకాన్ని యథాతథంగా పరిరక్షించే సామర్థ్యం ఇంకా బలహీనంగానే ఉంది.
దిగువ-స్థాయి నియంత్రణ ఉన్నత-స్థాయి నియంత్రణకంటే బలహీనంగా ఉంది.
గుప్త స్థానాలు ఇంకా AST పరిధులు, సిగ్నేచర్లు లేదా నియంత్రణ-ప్రవాహ నిర్మాణం వంటి అర్థసంబంధ ప్రాంతాలతో సమలేఖనం కాలేదు.
ఆచరణాత్మక మరమ్మత్తు, రీఫ్యాక్టరింగ్ లేదా రిపాజిటరీ-స్థాయి మార్పుల సరైనతను ఈ ఫలితాలు నిర్ధారించవు.

ఈ నమోదులు పరిశోధన పత్రం PDFలో సంఖ్యలతో ఇచ్చిన References విభాగానికి అనుగుణంగా ఉంటాయి.

Ali Razavi, Aaron van den Oord, Oriol Vinyals. 2019. Generating Diverse High-Fidelity Images with VQ-VAE-2. Advances in Neural Information Processing Systems.
Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. 2021. Structured Denoising Diffusion Models in Discrete State-Spaces. Advances in Neural Information Processing Systems.
Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T Chiu, Alexander Rush, Volodymyr Kuleshov. 2024. Simple and Effective Masked Diffusion Language Models. Advances in Neural Information Processing Systems.
Shraddha Barke, Michael B. James, Nadia Polikarpova. 2023. Grounded Copilot: How Programmers Interact with Code-Generating Models. Proceedings of the ACM on Programming Languages.
Fengji Zhang, Bei Chen, Yue Zhang, Jacky Keung, Jin Liu, Daoguang Zan, Yi Mao, Jian-Guang Lou, Weizhu Chen. 2023. RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing.

ప్రచురణకర్త: ACM
స్థానిక పాఠ్య PDF: తుది రచయితల జాబితా, DOIతో ప్రచురణ-సిద్ధ రచయిత మాన్యుస్క్రిప్ట్
ప్రచురణ వనరులు: బహిరంగ మాన్యుస్క్రిప్ట్, ఫలితాల పట్టికలు, వివరణాత్మక బొమ్మ, ఉల్లేఖన ఫైళ్లు ఇక్కడ అందుబాటులో ఉన్నాయి. అమలు కోడ్, చెక్‌పాయింట్లు బహిరంగంగా విడుదల కాలేదు.

దత్తాంశ ప్రకటన

మూలం: 2,000 Python ఫంక్షన్‌లు కలిగిన, ముందస్తు ప్రాసెసింగ్ చేసిన CodeParrot Clean ఉపసమితి.
లైసెన్స్: ఈ సైట్ ఏ డేటాసెట్ ఫైల్‌నూ పునర్వితరణ చేయదు; పునర్వినియోగం మూల CodeParrot డేటాసెట్ మరియు మూల-కోడ్ లైసెన్సులకు లోబడి ఉంటుంది.
పూర్వప్రాసెసింగ్: శ్రేణీకృత ఎన్‌కోడింగ్‌కు ముందు Python ఫంక్షన్‌లను టోకెనైజ్ చేసి, 64 టోకెన్లకు కుదిస్తారు లేదా ప్యాడింగ్ చేస్తారు.
విభజన: The poster reports a 2,000-function మూల్యాంకనం set; an immutable train/validation split manifest is not included in the public paper.
ఆకృతి: Python సోర్స్ ఫంక్షన్‌లు, GPT-శైలి టోకెన్ క్రమాలు, 16 పొడవుగల ఉన్నత-స్థాయి కోడ్ క్రమాలు, 32 పొడవుగల దిగువ-స్థాయి క్రమాలు.
సంచిక / చెక్‌సమ్: రెండు పేజీల పత్రంలో డేటాసెట్ చెక్‌సమ్, మార్పుచేయలేని స్నాప్‌షాట్ గుర్తింపుసంఖ్య నివేదించబడలేదు.
సేకరణ: ప్రచురణ పేజీతో పాటు బహిరంగ సేకరణ స్క్రిప్ట్‌ను విడుదల చేయలేదు.
వినియోగ పరిమితులు: నమూనా is not representative of repository-scale software, multiple programming languages, or behaviorally verified repair tasks.

ప్రచురిత సంచికACM FSE Companion, 2026
రచయిత మాన్యుస్క్రిప్ట్తుది రచయితల జాబితా, DOIతో కూడిన పాఠ్య-ప్రాప్తిగల ప్రచురణ-సిద్ధ మాన్యుస్క్రిప్ట్
బాహ్య సంపూర్ణ-పాఠ్య ప్రతిబింబంHugging Faceలో CC BY 4.0 రచయిత మాన్యుస్క్రిప్ట్
రిపాజిటరీ రికార్డును తెరవండిOpenAIRE సూచీకరించిన Zenodo రికార్డు
రిపాజిటరీలోని పూర్తి పాఠ్యాన్ని తెరవండిZenodo CC BY 4.0 రచయిత మాన్యుస్క్రిప్ట్; స్థానిక మాన్యుస్క్రిప్ట్‌కు పాఠ్యపరంగా సమానం
రచయిత వనరులుపోస్టర్ మరియు స్లైడ్ సమాహారం
గ్రంథసూచిక రికార్డుDBLP
పరిశోధనా రికార్డును తెరవండిOpenAlex
ఉల్లేఖన గ్రాఫ్ రికార్డుSemantic Scholar
రచయిత పంచుకున్న పూర్తి పాఠ్యంResearchGate
సరళ భాషా సారాంశంప్రశంసలు

ప్రచురిత DOI ప్రధాన గ్రంథసూచి గుర్తింపు. సంచికలు మారినా ఈ పేజీయే ప్రాజెక్టుకు ఏకైక ప్రామాణిక URLగా కొనసాగుతుంది.

[reference-1] Ali Razavi, Aaron van den Oord, Oriol Vinyals. 2019. Generating Diverse High-Fidelity Images with VQ-VAE-2. Advances in Neural Information Processing Systems.

[reference-2] Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. 2021. Structured Denoising Diffusion Models in Discrete State-Spaces. Advances in Neural Information Processing Systems.

[reference-3] Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T Chiu, Alexander Rush, Volodymyr Kuleshov. 2024. Simple and Effective Masked Diffusion Language Models. Advances in Neural Information Processing Systems.

[reference-4] Shraddha Barke, Michael B. James, Nadia Polikarpova. 2023. Grounded Copilot: How Programmers Interact with Code-Generating Models. Proceedings of the ACM on Programming Languages.

[reference-5] Fengji Zhang, Bei Chen, Yue Zhang, Jacky Keung, Jin Liu, Daoguang Zan, Yi Mao, Jian-Guang Lou, Weizhu Chen. 2023. RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing.

కీలక ఫలితాలు

PDF మరియు ఉదహరణ

పద్ధతి

ఎన్‌కోడ్ చేయండి

స్థిరపరచండి

పునర్జననం చేయండి

పరిశీలించండి

కీలక భావన

సమీప విధానాల నుంచి భేదం

కొత్తదేమిటి

ఈ పత్రం సమాధానం కనుగొనడంలో తోడ్పడే ప్రశ్నలు

సమీప విధానాలతో తులన

సంబంధితత మరియు పరిధి

పరిమితులు

పత్రంలో ఉదహరించిన మూలాలు

వనరులు మరియు పునరుత్పాదకత

దత్తాంశ ప్రకటన

సంచికలు

సంబంధిత ప్రచురణ

కేంద్రీకృత పరిశోధనా గమనికలు