LLM借助致Bug变更上下文修复回归缺陷，传统APR工具全部失败
热点事件持续更新
LLM借助致Bug变更上下文修复回归缺陷，传统APR工具全部失败
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
Anh Ho、Thanh Le-Cong、Bach Le、Christine Rizkallah 等开展自动程序修复（APR）技术修复回归错误的实证研究，并发布基准 RegressionBug4APR，包含从广泛使用的真实 GitHub 仓库收集的 200 个 Java 和 Python 回归错误。基于论文摘要，实验报告显示传统 APR 工具未修复任何错误，而基于 LLM 的方法表现出潜力。 在 LLM 方法中加入致 Bug 变更（bug-inducing change）的上下文后，成功修复数量是未加入时的 1.6 倍，该结果在 Java 和 Python 基准中一致。作者称这为结论的通用性提供了初步证据。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 12:00
RegressionBug4APR：LLM利用致Bug变更上下文提升回归错误修复报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv · cs.AIRegressionBug4APR：LLM利用致Bug变更上下文提升回归错误修复
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。