AG — Alexey Gavrilov home

Inspectable Control for Structure-Preserving Software Regeneration

การควบคุมที่ตรวจสอบได้สำหรับการสร้างซอฟต์แวร์ขึ้นใหม่โดยคงโครงสร้าง

การสร้างโค้ดใหม่บางส่วนอย่างควบคุมได้โดยใช้ตัวแทนแฝงไม่ต่อเนื่องเชิงลำดับชั้น

Alexey Gavrilov1Alan-Barsag Gazzaev1Mikhail Mozikov2Ilya Makarov2Sergey Muravyov1

  1. ITMO University, Saint Petersburg, Russian Federation
  2. AXXX, มอสโก, สหพันธรัฐรัสเซีย

อ่านบทความฉบับเต็มในรูปแบบ HTMLเนื้อหาที่ค้นหาได้ พร้อมสูตร ตาราง รูป และเอกสารอ้างอิง

ต้นฉบับพร้อมตีพิมพ์ของผู้เขียน พร้อมรายชื่อผู้เขียนฉบับสุดท้ายและ DOI CC BY 4.0 author manuscript; the ACM DOI page remains the version of record. เงื่อนไขการเผยแพร่และการนำไปใช้ซ้ำ.

ทำความเข้าใจบทความใน 30 วินาที

คำถามวิจัยแบบจำลองเชิงกำเนิดจะแก้ไขส่วนที่เลือกของโปรแกรม พร้อมคงองค์ประกอบที่กำหนดในโครงสร้างระดับหยาบไว้ได้อย่างไร

ปัญหา

การปรับแก้โค้ดด้วย AI มักต้องการให้เปลี่ยนเพียงส่วนเดียวภายในขอบเขต โดยคงโครงสร้างโปรแกรมที่เลือกไว้ การสร้างโปรแกรมทั้งชุดขึ้นใหม่อาจกระทบส่วนที่ไม่เกี่ยวข้อง ขณะที่ข้อจำกัดระดับโทเค็นไม่ได้ให้ส่วนต่อประสานสำหรับควบคุมโครงสร้างระดับหยาบ

แนวทาง

งานวิจัยนี้เข้ารหัสฟังก์ชัน Python ขนาด 64 โทเค็นด้วย VQ-VAE แบบลำดับชั้น ตรึงรหัสไม่ต่อเนื่องระดับหยาบที่เลือกไว้ แล้วใช้การสร้างแบบไม่ต่อเนื่องชนิดมาสก์เพื่อสร้างโค้ดขึ้นใหม่เฉพาะบริเวณในตำแหน่งแฝงที่เหลือ

ผลลัพธ์หลัก

การตรึงรหัสระดับบนสี่ตำแหน่งเพิ่มอัตราการพาร์สสำเร็จจาก 0.453 เป็น 0.591 ขณะที่ตำแหน่งที่ไม่ได้ตรึงยังเปลี่ยนแปลงในอัตรา 0.936 และค่าความไม่ซ้ำกันของตัวอย่างแบบมีเงื่อนไขยังอยู่ที่ 0.998

เหตุผลที่เรื่องนี้สำคัญ

ผลลัพธ์แสดงภาวะแลกเปลี่ยนระหว่างเสถียรภาพกับความยืดหยุ่นที่วัดได้ในการแก้ไขโค้ดแบบควบคุมและการสร้างโปรแกรมขึ้นใหม่เฉพาะส่วน นี่เป็นหลักฐานเบื้องต้นว่าชั้นควบคุมในปริภูมิแฝงสามารถตรวจสอบได้ มิใช่ข้อพิสูจน์ความสมมูลเชิงความหมายหรือความถูกต้องเชิงการทำงาน

บทคัดย่อ

กระบวนงานวิศวกรรมซอฟต์แวร์ เช่น การซ่อมแซมภายใต้ข้อจำกัด การปรับปรุงเป็นลำดับขั้น และการแก้ไขโดยคงโครงสร้าง จำเป็นต้องควบคุมว่าส่วนใดเปลี่ยนแปลงและส่วนใดคงเดิม การสร้างในระดับโทเค็นเป็นส่วนต่อประสานการควบคุมที่ยังไม่เหมาะกับงานเหล่านี้นัก เพราะจำกัดเพียงข้อความระดับพื้นผิวในบริเวณเฉพาะ แทนที่จะจำกัดคุณสมบัติคงตัวของโครงสร้างระดับหยาบที่งานวิศวกรรมซอฟต์แวร์มักต้องการรักษาไว้ เราศึกษาตัวแปรแฝงไม่ต่อเนื่องแบบลำดับชั้นในฐานะการแทนค่ากลางที่ตรวจสอบได้สำหรับชิ้นงานซอฟต์แวร์ โดย VQ-VAE แบบลำดับชั้นบีบอัดฟังก์ชัน Python ขนาด 64 โทเค็นเป็นรหัสไม่ต่อเนื่องระดับหยาบและระดับละเอียด แล้วใช้การสร้างแบบไม่ต่อเนื่องชนิดมาสก์สร้างใหม่เฉพาะตำแหน่งที่เลือกภายใต้ข้อจำกัดบางส่วน ในฟังก์ชัน Python ที่ผ่านการประมวลผลล่วงหน้า 2,000 ฟังก์ชัน การตรึงรหัสระดับบนสี่ตำแหน่งเพิ่มอัตราการพาร์สสำเร็จจาก 0.453 เป็น 0.591 โดยตำแหน่งที่ไม่ได้ตรึงยังเปลี่ยนแปลงอย่างมาก (ความยืดหยุ่นในการแก้ไข 0.936) และตัวอย่างแทบทั้งหมดไม่ซ้ำกัน (ความหลากหลาย 0.998) เมื่อกำหนดบริบทระดับหยาบไว้คงที่ การปรับรายละเอียดระดับล่างให้ผลอ่อนกว่าแต่ยังคงมีแนวโน้มแบบเอกทิศทาง ซึ่งสอดคล้องกับการตีความลำดับชั้นจากหยาบไปละเอียด โดยรวม ผลลัพธ์เหล่านี้เป็นหลักฐานเบื้องต้นของชั้นควบคุมที่ใช้งานได้จริงสำหรับสร้างชิ้นงานซอฟต์แวร์ขึ้นใหม่ภายในขอบเขตและโดยคงโครงสร้าง เหนือระดับโทเค็น

เผยแพร่ ณ เอกสารประกอบการประชุม Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering

ประเภทคุณูปการ วิธีควบคุมในปริภูมิแฝง

หน้า 1406–1407โปสเตอร์ประกอบ

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

แชร์บทความนี้แชร์

ผลลัพธ์สำคัญ

ผลลัพธ์สำคัญของการควบคุมที่ตรวจสอบได้สำหรับการสร้างซอฟต์แวร์ใหม่โดยคงรักษาโครงสร้าง
การตั้งค่าอัตราการแจงโครงร่างลายมือชื่อการเปลี่ยนแปลงในส่วนที่ไม่ล็อก
ข้อมูลนำเข้า (ตัดทอน)0.9940.9940.994—
การสร้างคืนของโคเดก0.8570.8480.4930
การสร้างแบบไม่มีเงื่อนไข0.4530.0800.995
แบบมีเงื่อนไข, คำนำหน้า k=40.5910.2950.0610.936
แบบมีเงื่อนไข, ช่วงลายเซ็น0.60.3020.063ไม่ได้รายงาน

ผลลัพธ์สำคัญ การตรึงตัวแปรแฝงระดับหยาบช่วยเพิ่มเสถียรภาพทางวากยสัมพันธ์โดยไม่ทำให้การเปลี่ยนแปลงในบริเวณที่แก้ไขได้ยุบหาย ผลลัพธ์นี้แสดงถึงการควบคุมเชิงโครงสร้าง มิใช่การรับประกันความสมมูลเชิงหน้าที่

ชุดข้อมูล
ฟังก์ชัน Python ที่ผ่านการประมวลผลล่วงหน้า 2,000 ฟังก์ชันจากชุดย่อยของ CodeParrot Clean
ขนาดตัวอย่าง
ฟังก์ชัน Python ที่ผ่านการประมวลผลล่วงหน้า 2,000 ฟังก์ชัน; ความไม่ซ้ำกันของตัวอย่างแบบมีเงื่อนไขเท่ากับ 0.998
ตัวชี้วัด
อัตราการแจง; องค์ประกอบชี้วัดแทนการคงรักษาโครงร่างและซิกเนเจอร์; อัตราการเปลี่ยนแปลงในตำแหน่งที่ปลดล็อก; ความเป็นเอกลักษณ์และเอนโทรปีของตัวอย่าง
ความไม่แน่นอน
การศึกษาความยาวสองหน้านี้รายงานค่าประมาณแบบจุด โดยไม่มีช่วงความเชื่อมั่นหรือการวิเคราะห์ทางสถิติจากหลายค่าซีด
เงื่อนไข
ฟังก์ชันขนาด 64 โทเค็น การถอดรหัสแบบ argmax รหัสระดับบน 16 รหัส และรหัสระดับล่าง 32 รหัส; การล็อกทั้งหมดทำให้ได้ผลการสร้างคืนด้วยตัวแปลงสัญญาณกลับคืนมาอย่างตรงกันทุกประการ

ดาวน์โหลดผลลัพธ์:CSVJSONMarkdownแหล่งสำเนาภายนอก:การ์ดชุดข้อมูล Hugging Face

PDF และการอ้างอิง

อ้างอิงบทความนี้ BibTeX เป็นรูปแบบที่แนะนำ รูปแบบย่อยทั้งหมดด้านล่างสร้างจากระเบียนผลงานตีพิมพ์เดียวกัน

เปิด PDF
@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},
}
ดาวน์โหลด .bib

ไฟล์รายการอ้างอิง:ข้อความรูปแบบ APAข้อความรูปแบบ IEEERISCSL-JSONSchema.org JSON-LDOAI-DC XMLOpenAIRE v4 XMLMODS XMLXML ข้อมูลอภิพันธุ์ JATS 1.4เนื้อหาฉบับเต็มรูปแบบ JATS 1.4 XMLRDF Turtleชุดลิงก์ (JSON)ชุดลิงก์ (HTTP)RO-Crate

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

คู่มือฉบับเต็ม

คู่มือวิจัยฉบับเต็ม

วิธีการ

วิธีนี้บีบอัดฟังก์ชัน Python ขนาดสั้นเป็นรหัสไม่ต่อเนื่องสองระดับ ตรึงตำแหน่งระดับหยาบที่เลือกไว้ แล้วสร้างตำแหน่งที่เหลือขึ้นใหม่ก่อนถอดรหัสกลับเป็นโค้ด

  1. เข้ารหัส

    บีบอัดฟังก์ชัน Python ขนาด 64 โทเคนให้เป็นรหัสระดับบน 16 รหัสและรหัสระดับล่าง 32 รหัสด้วย VQ-VAE เชิงลำดับชั้น

  2. ตรึง

    เลือกตำแหน่งรหัสระดับหยาบที่แทนโครงสร้างซึ่งต้องรักษาไว้ เช่น คำนำหน้าที่ครอบคลุมช่วงลายเซ็นฟังก์ชัน

  3. สร้างขึ้นใหม่

    ดำเนินการสร้างแบบไม่ต่อเนื่องที่มีมาสก์เฉพาะตำแหน่งที่ไม่ได้ล็อก แล้วถอดรหัสลำดับชั้นที่สมบูรณ์กลับเป็นซอร์สโค้ด

  4. ตรวจสอบ

    วัดอัตราการแจง องค์ประกอบชี้วัดแทนเชิงโครงสร้าง การเปลี่ยนแปลงในตำแหน่งที่ปลดล็อก และความเป็นเอกลักษณ์ของตัวอย่าง ก่อนยอมรับผลการสร้างใหม่

ตรึงโค้ดโปรแกรมระดับหยาบที่เลือกไว้ ขณะที่สร้างโค้ดไม่ต่อเนื่องระดับละเอียดซึ่งถูกมาสก์ขึ้นใหม่ แล้วถอดรหัสเป็นฟังก์ชัน Python ที่ปรับแก้แล้ว
การแก้ไขรหัสแฝงไม่ต่อเนื่องแบบลำดับชั้นคงโครงสร้างระดับหยาบของโปรแกรมในส่วนที่เลือกไว้ พร้อมสร้างรหัสระดับละเอียดขึ้นใหม่ในบริเวณที่แก้ไขได้แหล่งที่มา: แผนภาพอธิบายที่ผู้เขียนจัดทำขึ้นจากวิธีการและผลลัพธ์ที่ตีพิมพ์.เงื่อนไขการนำกลับมาใช้: CC BY 4.0.รูปแบบการอ้างถึงที่แนะนำ: Gavrilov et al. (2026), Inspectable Control for Structure-Preserving Software Regeneration. ดาวน์โหลด SVG.

แนวคิดสำคัญ

ใช้การควบคุมกับตัวแทนที่เรียนรู้ซึ่งอยู่เหนือระดับโทเคน โดยตำแหน่งตัวแปรแฝงระดับหยาบกำหนดจุดที่ชัดเจนสำหรับตรึงโครงสร้าง ขณะที่รายละเอียดการนำไปใช้ในบริเวณใกล้เคียงยังแก้ไขได้

ความแตกต่างจากแนวทางที่ใกล้เคียง

ข้อจำกัดระดับพรอมป์หรือระดับโทเคนทำงานกับข้อความในระดับพื้นผิว ส่วนอินเทอร์เฟซที่เสนอเปิดให้เข้าถึงจุดควบคุมแบบไม่ต่อเนื่องทั้งระดับหยาบและระดับละเอียด พร้อมวัดผลได้เสียระหว่างเสถียรภาพกับเสรีภาพที่เกิดขึ้น

ส่วนใหม่ของงาน

งานนี้นำเสนอและประเมินชั้นควบคุมปริภูมิแฝงแบบลำดับชั้นที่ตรวจสอบได้ สำหรับการสร้างสิ่งประดิษฐ์ซอฟต์แวร์ใหม่ภายในขอบเขต

คำถามที่บทความนี้ช่วยตอบ

เปิดคำถามเพื่ออ่านคำตอบโดยสังเขปที่อิงจากบทความ ขอบเขตของหลักฐานโดยละเอียดระบุไว้ในหัวข้อข้อจำกัด

  1. AI จะแก้ไขโค้ดโดยไม่เขียนทุกอย่างขึ้นใหม่ได้อย่างไร

    บทความศึกษาการสร้างโค้ดบางส่วนขึ้นใหม่เหนือระดับโทเคน VQ-VAE แบบลำดับชั้นแมปฟังก์ชัน Python ขนาดสั้นไปเป็นโค้ดไม่ต่อเนื่องระดับหยาบและระดับละเอียด โดยตรึงตำแหน่งระดับหยาบที่เลือกไว้ และการสร้างแบบไม่ต่อเนื่องที่มีการมาสก์จะเปลี่ยนเฉพาะตำแหน่งแฝงที่เหลือก่อนถอดรหัส วิธีนี้ให้ขอบเขตการคงรักษาที่ชัดเจน แทนการสร้างฟังก์ชันทั้งหมดขึ้นใหม่

  2. วิธีใดคงโครงสร้างโปรแกรมไว้ระหว่างการสร้างโค้ด

    งานนี้ทดสอบการควบคุมตัวแปรแฝงแบบไม่ต่อเนื่องเชิงลำดับชั้น โดยตรึงตำแหน่งแฝงระดับหยาบไว้ได้ ขณะที่สร้างตำแหน่งที่ไม่ล็อกขึ้นใหม่ จากนั้นจึงวัดอัตราการแจงและตัวแทนวัดเชิงโครงสร้าง หลักฐานเกี่ยวข้องกับเสถียรภาพเชิงโครงสร้างแบบน่าจะเป็นของฟังก์ชัน Python ขนาดสั้น และมิได้ยืนยันการคง AST อย่างแม่นตรง ความสมมูลเชิงความหมาย หรือความถูกต้องเชิงการทำงาน

  3. ตัวแปรแฝงแบบไม่ต่อเนื่องเชิงลำดับชั้นสามารถให้การควบคุมโค้ดเฉพาะบริเวณได้หรือไม่

    ในการทดลองกับฟังก์ชัน 2,000 รายการที่รายงานไว้ การตรึงโค้ดระดับบนสี่ตำแหน่งเพิ่มอัตราการแจงจาก 0.453 เป็น 0.591 ขณะเดียวกัน ตำแหน่งที่ไม่ถูกตรึงเปลี่ยนแปลงในสัดส่วน 0.936 และตัวอย่างแบบมีเงื่อนไขมีความเป็นเอกลักษณ์ 0.998 ผลเหล่านี้เป็นหลักฐานเบื้องต้นว่า ข้อจำกัดหยาบในปริภูมิแฝงอาจคงรักษาโครงสร้างบางส่วนได้โดยไม่ขจัดอิสระในการแก้ไขเฉพาะที่หรือความหลากหลายของตัวอย่าง

  4. การสร้างโค้ดจะสร้างสมดุลระหว่างเสถียรภาพเชิงโครงสร้างกับความหลากหลายได้อย่างไร

    บทความประเมินเสถียรภาพและเสรีภาพร่วมกัน แทนการหาค่าเหมาะที่สุดเฉพาะความถูกต้อง การตรึงโค้ดระดับหยาบเพิ่มความถูกต้องทางวากยสัมพันธ์ ขณะที่การเปลี่ยนแปลงในตำแหน่งที่ไม่ถูกตรึงยังคงสูง และตัวอย่างแบบมีเงื่อนไขแทบทั้งหมดไม่ซ้ำกัน ผลลัพธ์แสดงภาวะได้อย่างเสียอย่างระหว่างเสถียรภาพกับเสรีภาพที่วัดได้ภายใต้การตั้งค่าที่ทดสอบ มิใช่ค่าที่เหมาะที่สุดอย่างเป็นสากล

  5. งานนี้สัมพันธ์กับการแก้ไขโค้ดโดยอาศัย LLM อย่างไร

    แบบจำลองที่ทดสอบคือ VQ-VAE แบบลำดับชั้นร่วมกับการสร้างแบบไม่ต่อเนื่องชนิดปกปิด มิใช่แบบจำลองภาษาขนาดใหญ่ อย่างไรก็ดี ปัญหาการควบคุมยังเกี่ยวข้องกับการแก้ไขที่อาศัย LLM เพราะการเปลี่ยนแปลงที่ไม่จำเป็นนอกบริเวณที่ร้องขอเป็นข้อกังวลในทางปฏิบัติ บทความนี้นำเสนอกลไกในปริภูมิแฝงและกรอบการประเมินที่เสริมแนวทางเดิม มิใช่เกณฑ์มาตรฐานการแก้ไขด้วย LLM

การเปรียบเทียบกับแนวทางที่ใกล้เคียง

การเปรียบเทียบเชิงข้อเท็จจริงระหว่างการควบคุมที่ตรวจสอบได้สำหรับการสร้างซอฟต์แวร์ใหม่โดยคงรักษาโครงสร้างกับแนวทางใกล้เคียง
ความสามารถการควบคุมระดับโทเค็นการควบคุมปริภูมิแฝงเชิงลำดับชั้น
ตรึงโครงสร้างระดับหยาบจำกัดการล็อกโค้ดระดับหยาบโดยตรง
การสร้างใหม่บางส่วนข้อจำกัดระดับพื้นผิวที่เปราะบางการสุ่มตัวอย่างซ้ำแบบปกปิดสำหรับโค้ดที่เลือก
จุดควบคุมที่ตรวจสอบได้ไม่มีชั้นกลางที่กำหนดไว้อย่างชัดเจนตำแหน่งไม่ต่อเนื่องระดับหยาบและละเอียด
หลักฐานในบทความนี้ไม่ได้ประเมินในฐานะเส้นฐานที่สมบูรณ์การวินิจฉัยเสถียรภาพทางวากยสัมพันธ์และเสรีภาพในการแก้ไข

ตารางนี้อธิบายส่วนต่อประสานและหลักฐานที่วัดได้ในการศึกษา โดยมิได้อ้างความถูกต้องเชิงการทำงานหรือความเหนือกว่าอย่างเป็นสากล

ความเกี่ยวข้องและขอบเขต

บทความนี้เกี่ยวข้องโดยตรงที่สุดกับงานที่ต้องควบคุมอย่างชัดเจนว่า การแปลงโค้ดโดยมี AI ช่วยอาจเปลี่ยนแปลงสิ่งใดได้ และส่วนใดของโปรแกรมควรคงเสถียร

  1. การสร้างโค้ดที่ควบคุมได้และรักษาโครงสร้าง

  2. การซ่อมแซมโปรแกรมเฉพาะส่วนและการปรับโครงสร้างโค้ดภายในขอบเขต

  3. การแทนแบบไม่ต่อเนื่องเชิงลำดับชั้นสำหรับซอร์สโค้ด

  4. การสร้างแบบไม่ต่อเนื่องชนิดปกปิดสำหรับซอร์สโค้ด

  5. การควบคุมตัวแปรแฝงสำหรับสิ่งประดิษฐ์ซอฟต์แวร์

ดูข้อจำกัดและขอบเขตของหลักฐาน

ข้อจำกัด

  • การศึกษานี้จำกัดอยู่ที่ฟังก์ชัน Python ขนาดสั้นซึ่งตัดให้เหลือ 64 โทเค็น
  • การประเมินใช้การถอดรหัสแบบ argmax และตัวชี้วัดตัวแทนด้านวากยสัมพันธ์หรือโครงสร้าง แทนการทดสอบความสมมูลเชิงฟังก์ชัน
  • ความสามารถในการคงลายเซ็นไว้โดยแม่นตรงยังอยู่ในระดับต่ำ
  • การควบคุมระดับล่างมีประสิทธิผลน้อยกว่าการควบคุมระดับบน
  • ตำแหน่งแฝงยังไม่สอดคล้องกับบริเวณเชิงความหมาย เช่น ช่วงของ AST ซิกเนเจอร์ หรือโครงสร้างการไหลควบคุม
  • ผลลัพธ์ไม่ได้ยืนยันความถูกต้องสำหรับการซ่อมแซม การปรับโครงสร้างโค้ด หรือการเปลี่ยนแปลงระดับคลังโค้ดในการใช้งานจริง

เอกสารอ้างอิงที่บทความนี้อ้างถึง

รายการเหล่านี้ตรงกับส่วนเอกสารอ้างอิงที่มีหมายเลขในไฟล์ PDF ของบทความ

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

ทรัพยากรและความสามารถในการทำซ้ำ

สำนักพิมพ์
ACM
ทรัพยากรของสิ่งพิมพ์
ต้นฉบับสาธารณะ ตารางผลลัพธ์ รูปประกอบคำอธิบาย และไฟล์การอ้างอิงมีให้เข้าถึงที่นี่ ส่วนโค้ดที่ใช้พัฒนาและเช็กพอยต์ไม่ได้เผยแพร่ต่อสาธารณะ

คำชี้แจงข้อมูล

แหล่งที่มา
ชุดย่อยของ CodeParrot Clean ที่ผ่านการประมวลผลล่วงหน้าและประกอบด้วยฟังก์ชัน Python 2,000 ฟังก์ชัน
สัญญาอนุญาต
เว็บไซต์นี้ไม่มีการแจกจ่ายไฟล์ชุดข้อมูลซ้ำ การนำไปใช้ซ้ำยังคงอยู่ภายใต้เงื่อนไขของชุดข้อมูล CodeParrot ต้นทางและสัญญาอนุญาตของซอร์สโค้ด
การประมวลผลเบื้องต้น
ฟังก์ชัน Python ถูกแบ่งเป็นโทเคน แล้วตัดทอนหรือเติมให้ครบ 64 โทเคนก่อนเข้ารหัสแบบลำดับชั้น
แบ่ง
โปสเตอร์รายงานชุดประเมินขนาด 2,000 ฟังก์ชัน แต่บทความที่เผยแพร่สู่สาธารณะไม่มีบัญชีรายการการแบ่งชุดฝึก/ตรวจสอบความถูกต้องแบบแก้ไขไม่ได้
รูปแบบ
ฟังก์ชันซอร์สโค้ด Python ลำดับโทเคนแบบ GPT ลำดับโค้ดระดับบนที่มีความยาว 16 และลำดับระดับล่างที่มีความยาว 32
รุ่น / ผลรวมตรวจสอบ
บทความความยาวสองหน้าไม่ได้รายงานผลรวมตรวจสอบของชุดข้อมูลและตัวระบุสแนปช็อตที่เปลี่ยนแปลงไม่ได้
การจัดหาข้อมูล
ไม่มีการเผยแพร่สคริปต์สำหรับจัดหาข้อมูลต่อสาธารณะพร้อมกับหน้าผลงานตีพิมพ์
ข้อจำกัดการใช้งาน
ตัวอย่างนี้ไม่ได้เป็นตัวแทนของซอฟต์แวร์ระดับคลังโค้ด ภาษาการเขียนโปรแกรมหลายภาษา หรืองานซ่อมแซมที่ผ่านการทวนสอบเชิงพฤติกรรม

รุ่น

  1. ฉบับเผยแพร่ACM FSE Companion, 2026
  3. แหล่งสำเนาเนื้อหาฉบับเต็มภายนอกต้นฉบับผู้แต่งภายใต้ CC BY 4.0 บน Hugging Face
  6. แหล่งข้อมูลจากผู้เขียนโปสเตอร์และชุดสไลด์
  7. ระเบียนบรรณานุกรมDBLP
  8. เปิดระเบียนวิชาการOpenAlex
  9. ระเบียนกราฟการอ้างอิงSemantic Scholar
  10. ฉบับเต็มที่ผู้เขียนเผยแพร่ResearchGate
  11. บทสรุปภาษาที่เข้าใจง่ายคำชื่นชม

DOI ที่เผยแพร่เป็นตัวระบุทางบรรณานุกรมหลัก หน้านี้ยังคงเป็น URL มาตรฐานเพียงแห่งเดียวของโครงการในทุกเวอร์ชัน

อ่าน การแก้ไขโค้ดที่ควบคุมได้ คู่มือการวิจัยเกี่ยวกับผู้เขียน.

บันทึกวิจัยเฉพาะประเด็น

คำตอบที่จำเพาะต่อเจตนา พร้อมระบุขอบเขตของหลักฐานและเชื่อมโยงกลับมายังบทความนี้