arXiv · cs.AI· Elad Sharony, Ido Greenberg, Jialin Song, Shie Mannor, Gal Chechik, Eli Meirom·· 5 小时前
CodeTriage学习高效搜索LLM代码修复方案
Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair
arXiv:2610.15894v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Elad Sharony, Ido Greenberg, Jialin Song, Shie Mannor, Gal Chechik, Eli Meirom
研究任务与主要进展
研究提出CodeTriage，一种0.6B参数的学习策略，在生成和测试修复程序前，根据测试输出、失败诊断和候选编辑预测达到修复所需的步骤并安排搜索优先级。基于论文摘要，在留出的修复任务上，相比最强基线，该方法少生成21%的程序修订、少使用12%的输出 token，并在无需重新训练时对11个未见修复LLM取得各搜索预算下的最高平均成功率。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org