arXiv · cs.AI· Anh Ho, Thanh Le-Cong, Bach Le, Christine Rizkallah·· 11 小时前
RegressionBug4APR：LLM利用致Bug变更上下文提升回归错误修复
From Empirical Evaluation to Context-Aware Enhancement: Repairing Regression Errors with LLMs
arXiv:2506.13182v4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：Anh Ho, Thanh Le-Cong, Bach Le, Christine Rizkallah
研究任务与主要进展
基于论文摘要，作者提出包含200个Java和Python真实回归错误的基准RegressionBug4APR，并比较传统与LLM自动程序修复方法。实验报告显示，传统工具未修复任何错误，而加入致Bug变更上下文后，LLM方法实现的成功修复数量是未加入该上下文时的1.6倍；这一结果在Java和Python基准中一致。
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