Diff Diffusion: Predicting Edit Paths with Diffusion Models for Efficient Code Editing
ByteDance(字节跳动)
Diff Diffusion是一种基于扩散模型的代码编辑LLM框架,通过结构化编辑操作与多阶段训练等技术,实现了高效低延迟的代码编辑,性能优于或匹配自回归基线。
2026-10-14 cs.AI cs.CL cs.SE
Next Edit Prediction: Learning to Predict Code Edits from Context and Interaction History
为弥补代码补全与聊天式编辑的不足,本文提出Next Edit Prediction任务,通过从交互历史推断开发者意图来预测后续代码编辑的位置与内容,并构建了数据集与基准进行模型微调与评估,奠定了主动协作的代码编辑新范式。
2025-09-14 cs.LG cs.SE
Let the Code LLM Edit Itself When You Edit the Code
National Key Laboratory of General Artificial Intelligence(通用人工智能国家重点实验室);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);ByteDance Inc.(字节跳动公司)
针对代码编辑后LLM重新预测计算成本高的问题,提出PIE方法,通过修正Key cache中的旋转矩阵确保位置正确,在降低85%以上计算开销的同时保持模型性能。
2025-03-04 cs.AI cs.CL cs.LG
Understanding Robustness of Model Editing in Code LLMs
Louisiana State University(路易斯安那州立大学);University of Kentucky(肯塔基大学)
研究代码LLM在API更新下的模型编辑鲁棒性,评估不同方法在单次和连续编辑下的性能,发现多数方法在泛化和特定性上表现不佳,且连续编辑导致性能显著下降。
2026-05-08 cs.LG cs.SE
Improving Atomic-Fact Recall via Focused Views in Unstructured Knowledge Editing
Georgia Institute of Technology(佐治亚理工学院);University of Pennsylvania(宾夕法尼亚大学);University at Albany(奥尔巴尼大学);University of Tennessee(田纳西大学)
针对非结构化知识编辑中上下文依赖导致原子事实回忆失败的问题,提出FOVEATED框架,通过随机扰动RoPE位置构建聚焦视图,在编辑时应用、推理时移除,显著提升五个编辑器在两个骨干和三个基准上的事实回忆性能。
2026-10-05 cs.AI cs.CL
Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair
Technion(以色列理工学院);NVIDIA(英伟达)
本研究提出CodeTriage策略,通过0.6B参数模型读取测试输出等信息预测修复步骤分布,在代码修复搜索中减少21%程序修订和12%输出标记,且在多未见LLM上表现最优,还发布了相关语料库。
2026-10-14 cs.AI cs.LG cs.SE
Mitigating Gender Bias in Code Large Language Models via Model Editing
Harbin Institute of Technology(哈尔滨工业大学);Anhui University(安徽大学)
针对代码大型语言模型中的性别偏见问题,提出了CodeGenBias数据集和FB-Score评估指标,并开发了多粒度模型编辑方法MG-Editing,在保持通用代码生成能力的同时有效缓解了偏见。
2024-10-10 cs.AI cs.CL cs.SE
When Models Edit Too Much: On the Fidelity of Minimal Code Edits
National University of Singapore(新加坡国立大学)
该研究针对大型语言模型代码编辑中的过度编辑问题,构建评估框架,发现保留指令可缓解该问题,且强化学习能更好地学习最小编辑,明确编辑保真度是代码修复质量的独特维度。
2026-10-21 cs.AI cs.CL cs.SE
Diffs vs. Whole Files: An Empirical Comparison of Iterative Edit-Based and Direct Generation for Flutter/Dart Code Models
本文实证比较了直接生成与迭代差异编辑两种代码模型训练模式,发现直接生成全面更优,并揭示差异模式仅在局部编辑任务上有效,提出“任务局部性”概念。
2026-09-09 cs.AI cs.SE
WeSCE: A Benchmark for Measuring Security Drift in LLM-Driven Code Editing
Zhejiang University(浙江大学)
该研究推出WeSCE基准,针对仅指定功能目标的弱安全约束下的代码编辑,提出连续风险表示与漂移度量,以量化代码编辑中的安全漂移,为安全评估提供多尺度视角。
2026-08-18 cs.AI cs.CR cs.SE
Suggesting Code Edits in Interactive Machine Learning Notebooks Using Large Language Models
University of Waterloo(滑铁卢大学)
本文构建首个含48,398项Jupyter编辑的数据集,评估LLM预测代码修改,发现编辑高度局部但模型准确率低,凸显上下文的重要性。
2025-01-16 cs.CL cs.LG cs.SE
HoReN: Normalized Hopfield Retrieval for Large-Scale Sequential Model Editing
IXL Learning, Inc(IXL学习公司);Technical University of Munich(慕尼黑技术大学);National University of Singapore(新加坡国立大学)
本文提出HoReN,一种基于代码本的参数保持编辑器,通过在单个MLP层中引入离散键值记忆,实现了在大规模序列模型编辑中的高效检索和更新,同时在多种基准测试中表现出色。
2026-05-19 cs.AI cs.LG
Towards Generating Functionally Correct Code Edits from Natural Language Issue Descriptions
Microsoft Research(微软研究院)
大语言模型(LLM),如OpenAI的Codex,已经证明了它们在各种编程任务中从自然语言描述生成代码的潜力。最近出现了几个基准来评估LLM从自然语言意图生成功能正确的代码的能力,这些代码是关于一组隐藏的测试用例的。这使研究界能够确定LLM能力的重大和可复制的进步。然而,目前缺乏基准数据集来评估LLM基于意图更改的自然语言描述生成功能正确的代码编辑的能力。本文旨在通过激发NL 2Fix将代码更改的自然语言描述(即存储库中问题报告中描述的错误修复)转换为正确的代码修复的问题来解决这一差距。为此,我们引入了Defects 4J-NL 2Fix,这是一个包含283个Java程序的数据集,来自流行的Defects 4J数据集,并增加了对错误修复的高级描述,并根据经验评估了几个最先进的LLM的性能。结果表明,这些LLMS能够为64.6%的错误生成合理的修复,最好的基于LLMS的技术可以在此基准测试中实现高达21.20%的前1和35.68%的前5准确度。
2023-04-07 cs.LG cs.SE
Understanding and supporting how developers prompt for LLM-powered code editing in practice
University of California Irvine(加州大学尔布雷分校);Google(谷歌);Meta
本文研究开发者在使用LLM赋能代码编辑工具时的提示行为,发现频繁重新提示表明使用困难,并提出AutoPrompter工具通过推断缺失信息提升编辑正确性27%。
2025-12-19 cs.AI cs.HC cs.SE
Flowchart2Mermaid: A Vision-Language Model Powered System for Converting Flowcharts into Editable Diagram Code
Queen’s University Belfast(女王大学贝尔法斯特)
Flowchart2Mermaid通过视觉-语言模型将流程图图像转换为可编辑的Mermaid代码,提供结构化文本表示和混合初始化的编辑功能,提升流程图的可重用性和版本控制能力。
2025-12-03 cs.AI
Improving Users' Mental Model with Attention-directed Counterfactual Edits
University of California, San Diego(加利福尼亚大学圣迭戈分校);SRI International(SRI国际公司)
在视觉问答(VQA)领域,研究表明,当用户接触到这些系统如何回答某些图像-问题(IQ)对的示例时,VQA系统的用户心理模型会有所改善。在这项工作中,我们表明,显示控制反事实图像问题的例子是更有效地改善用户的心理模型相比,简单地显示随机的例子。我们比较生成的方法和检索为基础的方法来显示反事实的例子。我们使用生成对抗网络(GANs)的最新进展,通过删除和修复图像中的某些感兴趣区域来生成反事实图像。然后,我们向用户展示VQA系统对这些更改图像的答案的更改。为了选择感兴趣的区域进行修复,我们实验使用人类注释的注意力地图和使用VQA系统的注意力值的全自动方法。最后,我们通过要求用户预测模型在测试反事实图像上的表现来测试用户的心理模型。我们注意到,当显示反事实解释时,用户预测答案变化的准确性总体上有所提高。虽然现实检索反事实显然是最有效的改善心理模型,我们表明,生成的方法也可以同样有效。
2021-10-15 cs.AI cs.CV cs.HC
Transformer-based Vulnerability Detection in Code at EditTime: Zero-shot, Few-shot, or Fine-tuning?
Microsoft(微软)
本文提出利用预训练 LLM 的零样本、少样本与微调方法,在编辑时对不完整代码检测 250 多种漏洞,性能提升 10%,高风险场景漏洞最多减少 90%。
2023-05-23 cs.AI cs.CR cs.LG
From Fact Overwriting to Knowledge Evolution: Causal Editing via On-Policy Self-Distillation
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
针对知识编辑中静态事实覆写范式导致认知失调的问题,提出基于因果引导的同策略蒸馏方法CODE,将事实注入转化为连贯的知识演化,显著降低自反驳率并提升多跳准确性。
2026-05-27 cs.AI
CAD-Coder:Text-Guided CAD Files Code Generation
College of Computer Science and Technology, Harbin Engineering University(计算机科学与技术学院,哈尔滨工程大学)
针对生成式 CAD 缺乏可编辑性与几何标注的问题,提出 CAD-Coder 将自然语言转为可执行 Python CAD 脚本,并构建含 29,130 个 Dxf 文件的数据集,实现可交互编辑的 2D/3D CAD 生成。
2025-05-13 cs.CV cs.GR cs.LG
CodeEditor: Learning to Edit Source Code with Pre-trained Models
Peking University(北京大学);Zhejiang University(浙江大学)
本文提出了一种专门针对代码编辑的新型预训练任务及模型CodeEditor,通过学习将突变代码版本还原为真实代码来掌握编辑模式,在微调、少样本和零样本三种设置下均显著优于现有SOTA基线。
2023-09-07 cs.AI cs.SE
GrACE: Generation using Associated Code Edits
Microsoft(微软);University of Pennsylvania(宾夕法尼亚大学);Microsoft Research(微软研究院)
本文提出 GrACE 方法,通过将先前相关代码编辑知识注入预训练代码大语言模型,在 Codex 和 CodeT5 上显著提升了代码编辑预测性能,top-1 正确编辑代码分别比现有符号和神经方法提高 29% 和 54%。
2023-09-20 cs.LG cs.SE
CoditT5: Pretraining for Source Code and Natural Language Editing
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
预训练的语言模型在许多与软件相关的生成任务中已被证明是有效的;然而,它们并不适合编辑任务,因为它们并不被设计为对编辑进行推理。为了解决这个问题,我们提出了一个新的预训练目标,明确模型编辑和使用它来构建CoditT 5,一个大语言模型,用于软件相关的编辑任务,是预先训练大量的源代码和自然语言评论。我们在各种下游编辑任务中对它进行微调,包括注释更新,bug修复和自动代码审查。通过优于标准的基于生成的模型,我们证明了我们的方法的通用性和它的编辑任务的适用性。我们还展示了一个标准的生成模型和我们的基于编辑的模型可以通过简单的重新排序策略相互补充,我们实现了三个下游编辑任务的最先进的性能。
2022-09-14 cs.LG cs.SE
On Multi-Modal Learning of Editing Source Code
Columbia University(哥伦比亚大学)
近年来,神经机器翻译器(NMT)在自动编辑源代码方面显示出了希望。典型的基于NMT的代码编辑器只考虑需要更改的代码作为输入,并建议开发人员从修补代码的排名列表中进行选择-其中正确的代码可能并不总是位于列表的顶部。虽然基于NMT的代码编辑系统生成了一系列看似合理的补丁,但正确的补丁取决于开发人员的需求,并且通常取决于应用补丁的上下文。因此,如果开发人员提供一些提示,使用自然语言,或提供补丁上下文,NMT模型可以从中受益。作为概念的证明,在这项研究中,我们利用三种形式的信息:编辑位置,编辑代码上下文,提交消息(作为开发人员的自然语言的提示代理)自动生成NMT模型的编辑。为此,我们构建了MODIT,一个基于多模态NMT的代码编辑引擎。通过深入的调查和分析,我们表明,开发人员的提示作为一种输入方式可以缩小搜索空间的补丁,并优于国家的最先进的模型生成正确的补丁代码的前1位。
2021-08-15 cs.LG cs.PL cs.SE
Coeditor: Leveraging Contextual Changes for Multi-round Code Auto-editing
Augment Computing, Inc.(奥格门特计算公司);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出专为代码编辑任务微调的语言模型 Coeditor,通过行 diff 格式和静态分析构建上下文,基于代码库近期变更预测代码编辑,在单轮与多轮编辑任务中显著超越 GPT-3.5 等模型。
2024-04-28 cs.LG cs.PL cs.SE
How Should Diffusion Language Models Edit Code?
The University of Hong Kong(香港大学);Huawei Technologies Ltd.(华为技术有限公司);City University of Hong Kong(香港城市大学);Peking University(北京大学)
本研究通过四种编辑界面比较掩码扩散语言模型的代码编辑能力,发现提供编辑位置时性能良好但预测位置时存在组合差距,强调界面需覆盖所有修改并限制未更改代码的重生成。
2026-10-01 cs.AI cs.SE
Editable AI: Mixed Human-AI Authoring of Code Patterns
University of Virginia(弗吉尼亚大学);George Mason University(乔治梅森大学)
编写HTML文档的开发人员根据模式定义元素,这些模式建立并反映了文档的视觉结构,例如通过对每个图像应用一个类来使页脚中的所有图像具有相同的高度。为了向开发人员展示这些模式,并支持开发人员根据这些模式进行创作,我们提出了一种用于创建代码模式的混合人工智能技术。模式首先通过决策树从单个HTML文档中学习,生成一个开发人员可以查看和编辑的表示。代码模式用于为开发人员提供自动完成建议、列表示例和标记违规。为了评估我们的技术,我们进行了一项用户研究,其中24名参与者编写,编辑和更正HTML文档。我们发现,我们的技术使开发人员能够更快地编辑和更正文档,并更成功地创建,编辑和更正文档。
2020-07-12 cs.AI cs.HC cs.LG
CoEdPilot: Recommending Code Edits with Learned Prior Edit Relevance, Project-wise Awareness, and Interactive Nature
本文提出 CoEdPilot,利用多个神经模型识别相关先前编辑、分析项目级连锁影响并生成后续编辑选项;在 471 个项目、180K 次提交上训练,位置和内容预测表现良好。
2024-08-03 cs.SE
Fix Bugs with Transformer through a Neural-Symbolic Edit Grammar
Iowa State University(爱荷华州立大学);AWS AI(AWS人工智能)
我们介绍了NSEdit(神经符号编辑),一种新的基于transformer的代码修复方法。只给出包含bug的源代码,NSEdit预测可以修复bug的编辑序列。编辑语法被公式化为正则语言,并且Transformer将其用作神经符号脚本接口来生成编辑程序。我们修改Transformer并添加一个指针网络来选择编辑位置。训练重排序器的集合以重排序由束搜索生成的编辑序列。我们对验证集上的重排序器进行微调,以减少过度拟合。NSEdit在各种代码修复数据集上进行了评估,并在CodeXGLUE基准测试的Tufano小数据集上实现了新的最先进的精度($24.04\%$)。NSEdit在程序因包而异以及有bug的程序是具体的情况下执行稳健。我们对我们的方法进行了详细的分析,并证明了每个组件的有效性。
2022-04-13 cs.AI cs.LG cs.PL
Neural Networks for Modeling Source Code Edits
Google Brain(谷歌大脑)
程序设计语言正在成为机器学习的一个具有挑战性和有趣的领域。一个核心任务,这是近年来受到极大的关注,是建立源代码的生成模型。然而,据我们所知,以前的生成模型一直是在生成代码的静态快照方面构建的。在这项工作中,我们将源代码视为动态对象,并解决软件开发人员对源代码文件进行编辑的建模问题。这需要从先前的编辑中提取意图并利用它来生成后续编辑。我们开发了几个神经网络,并使用合成数据来测试它们学习具有挑战性的编辑模式的能力,这些模式需要很强的泛化能力。然后,我们在Google源代码的大规模数据集上收集和训练我们的模型,该数据集由数千名Python开发人员的数百万次细粒度编辑组成。从建模的角度来看,我们的主要结论是,注意力和指针网络组件的新组合提供了最佳的整体性能和可扩展性。从应用程序的角度来看,我们的研究结果提供了初步的证据,开发工具,学习预测未来的编辑的可行性。
2019-04-04 cs.CL cs.LG cs.SE
EfficientEdit: Accelerating Code Editing via Edit-Oriented Speculative Decoding
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Huawei Cloud Computing Technologies Co., Ltd.(华为云计算技术有限公司)
本文提出 EfficientEdit,利用代码局部修改与片段复用特征,通过编辑位置识别、原始代码复用、面向编辑的草稿模型及动态验证机制加速代码编辑,在两个基准上显著优于现有推理加速方法。
2025-09-30 cs.SE
EDIT-Bench: Evaluating LLM Abilities to Perform Real-World Instructed Code Edits
Carnegie Mellon University(卡内基梅隆大学);UC Berkeley(加州大学伯克利分校)
针对AI编码助手的指令式代码编辑能力缺乏真实世界基准的问题,本文提出基于真实场景构建的EDIT-Bench基准,评估40个LLM后发现其具有挑战性且上下文对性能影响显著,为该能力评估提供了有效工具。
2025-11-17 cs.SE
Self-Edit: Fault-Aware Code Editor for Code Generation
Peking University(北京大学)
提出Self-Edit方法,利用LLMs生成代码的执行结果作为补充注释指导容错编辑器纠正错误,在多个数据集和模型上显著提升pass@1准确率。
2023-09-11 cs.CL cs.SE
EditSum: A Retrieve-and-Edit Framework for Source Code Summarization
Peking University(北京大学);Zhejiang University(浙江大学);Monash University(莫纳什大学)
本文提出名为 EditSum 的检索与编辑框架,通过检索相似代码片段作为原型摘要并自动编辑以结合模式与语义信息,显著提升了源代码摘要的关键词预测准确性和信息量。
2023-09-07 cs.CL cs.SE
QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization
State Key Lab of Processors, Institute of Computing Technology, CAS(中国科学院计算技术研究所处理器芯片国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Institute of Microelectronics, CAS(中国科学院微电子研究所)
本文提出PRepair框架,通过Self-Breaking和Self-Repairing组件减少过度编辑,提升代码修复精度,实验显示在fix_1@1指标下精度提升31.4%。
2026-11-17 cs.LG cs.SE
Robust Learning of Diverse Code Edits
Microsoft Research India(微软印度研究院)
针对代码语言模型难以处理多样化编辑且微调易损害原有能力的问题,提出合成数据流水线与 SeleKT 稀疏适配算法,并发布 NextCoder,在五个基准上展现优异且鲁棒的性能。
2025-05-10 cs.LG cs.SE
Understanding and Improving Model Editing for Secure Code Generation
Singapore Management University(新加坡管理大学);Nanjing University of Science and Technology(南京理工大学);Nanjing University(南京大学);Sun Yat-sen University(中山大学)
本研究系统探究模型编辑用于安全代码生成,提出SafeEdit方法缓解模型编辑的安全与功能权衡,其与CoSec结合可提升安全代码生成性能。
2026-08-10 cs.CR cs.SE
InstructCoder: Instruction Tuning Large Language Models for Code Editing
National University of Singapore(新加坡国立大学);Singapore University of Technology and Design(新加坡科技设计大学);Shanghai Jiao Tong University(上海交通大学)
针对自动代码编辑数据稀缺及现有 LLM 指令遵循不足的问题,本文构建含 11.4 万余三元组的 InstructCoder 指令微调数据集,使开源模型达到先进专有模型的代码编辑性能。
2024-02-28 cs.CL cs.SE
Overwatch: Learning Patterns in Code Edit Sequences
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Microsoft(微软);Uber(优步);Microsoft Research(微软研究院);Apple(苹果公司)
集成开发环境(IDE)提供工具支持,以自动执行许多源代码编辑任务。传统上,IDE仅使用空间上下文,即,开发人员正在编辑的位置,以生成候选编辑推荐。然而,仅靠空间上下文通常不足以自信地预测开发人员的下一次编辑,因此IDE会在某个位置生成许多建议。因此,IDE通常不会主动提供建议,相反,开发人员通常需要单击特定的图标或菜单,然后从大量的潜在建议中进行选择。因此,开发人员经常错过使用工具支持的机会,因为他们不知道它的存在或忘记使用它。为了更好地理解开发人员行为中的常见模式并产生更好的编辑建议,我们还可以使用时间上下文,即,开发人员最近进行的编辑。为了实现基于时间上下文的编辑建议,我们提出了Overwatch,这是一种用于从IDE中执行的开发人员编辑的痕迹中学习编辑序列模式的新技术。我们的实验表明,Overwatch的准确率为78%,并且Overwatch不仅在开发人员错过使用IDE工具支持的机会时完成了编辑,而且还预测了IDE中没有工具支持的新编辑。
2022-07-25 cs.AI cs.PL cs.SE
CROCODIL: Cross-Model Code Editing with LLMs
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Cisco Research(思科研究院)
本研究针对多LLM协作时的外来代码过度编辑问题,提出CROCODIL后训练框架,通过相似度奖励与执行奖励的乘积优化,在保证功能正确的同时减少了不必要的代码编辑。
2026-09-04 cs.CL cs.SE
Learning Project-wise Subsequent Code Edits via Interleaving Neural-based Induction and Tool-based Deduction
Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学);Bytedance Network Technology(字节跳动网络科技)
本文提出TRACE方法,通过结合神经归纳与工具演绎,提升项目级代码编辑的范围、精度与效率。
2026-04-14 cs.SE
Automated Code Editing with Search-Generate-Modify
本文提出SARGAM工具,通过模拟开发者搜索-生成-修改的代码编辑行为,结合代码搜索、生成与修改的混合方法,在编辑生成和程序修复任务上优于现有最先进技术。
2024-02-26 cs.PL cs.SE
FeatX: Editing Software by Editing Features for Repository-Level Code Evolution
Peking University(北京大学)
提出特征导向工具FeatX,通过提取层次化史诗-特征结构并调用三阶段演化代理,将特征编辑转化为代码补丁,显著降低认知负荷并提升修改定位F1达42.6%。
2026-07-01 cs.SE
SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent
Microsoft(微软);Department of Computer Sciences, University of Wisconsin–Madison(威斯康星大学麦迪逊分校计算机科学系);Stanford Institute for Human-Centered Artificial Intelligence (HAI), Stanford University(斯坦福大学人机交互研究所)
提出SWE-Edit框架,通过将代码编辑分解为查看器和编辑器两个子智能体,解决上下文耦合问题,在SWE-Bench Verified上提升解决率2.1个百分点并降低推理成本17.9%,且通过GRPO训练小模型实现高效编辑格式选择。
2026-05-26 cs.CL cs.SE
EditFlow: Benchmarking and Optimizing Code Edit Recommendation Systems via Reconstruction of Developer Flows
Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学);Bytedance Network Technology(字节跳动网络科技)
本文提出EditFlow,通过重建开发者编辑流程,解决代码编辑推荐系统在数据收集、基准测试和统一优化中的关键挑战,提升开发者生产力。
2026-04-08 cs.SE
Program Repair with Minimal Edits Using CodeT5
University of Aizu(会津大学);Dhaka University of Engineering & Technology(达卡工程技术大学)
本文提出使用CodeT5模型,通过微调错误-正确程序对,以最小编辑距离生成正确程序,实验达到91.95%的pass@100,证明其在入门编程问题修复中的有效性。
2023-09-26 cs.AI cs.CL cs.SE
An Inquisitive Code Editor for Addressing Novice Programmers' Misconceptions of Program Behavior
新手程序员在试图学习如何编码时面临许多障碍,这些障碍可能会阻止他们追求计算机科学学位或软件开发职业。在这项工作中,我们提出了一个工具的概念,以解决特别具有挑战性的障碍,新手程序员持有误解,他们的代码的行为。具体来说,这个概念涉及一个好奇的代码编辑器,它:(1)通过定期提示新手程序员关于他们程序行为的问题来识别误解,(2)通过基于程序的实际行为生成解释来纠正误解,(3)通过插入测试代码和利用其他教育资源来防止进一步的误解。我们已经实现了部分概念作为Atom代码编辑器的插件,并与学生和教师进行了非正式的调查。接下来的步骤包括将该工具原型部署给参加入门编程课程的学生。
2021-02-11 cs.SE
Does Editing Improve Answer Quality on Stack Overflow? A Data-Driven Investigation
本研究通过分析94994条含已接受编辑的Python相关Stack Overflow回答,发现协作编辑在语义相关性、代码可用性等多维度效果不一,存在降低相关性、引入漏洞等问题,为优化协作编辑系统提供参考。
2025-07-28 cs.SE
Generating High-Quality Datasets for Code Editing via Open-Source Language Models
School of Software Engineering, Sun Yat-sen University(中山大学软件学院);School of Computer Science, Fudan University(复旦大学计算机学院)
提出OpenCodeEdit流水线,利用开源大模型合成高质量代码编辑三元组,构建OCEDataFT数据集,微调模型在CanItEdit上显著提升,接近GPT-4性能。
2025-10-07 cs.AI cs.SE
NES: An Instruction-Free, Low-Latency Next Edit Suggestion Framework Powered by Learned Historical Editing Trajectories
Ant Group, China(蚂蚁集团,中国);UNSW Sydney(悉尼新南威尔士大学)
NES通过学习历史编辑轨迹,为代码编辑提供无指令、低延迟的建议,实现75.6%的定位准确率和27.7%的精确匹配率,已在蚂蚁集团服务超2万名开发者。
2026-04-01 cs.LG cs.SE
Revisiting Code Similarity Evaluation with Abstract Syntax Tree Edit Distance
University of Luxembourg(卢森堡大学);Luxembourg Institute of Science and Technology(卢森堡科学技术研究所)
本文重新审视代码相似度评估,重点研究AST编辑距离在多种语言中的表现,并提出并发布了一种增强版TSED自适应指标,实验证明其在所有测试语言中均有效。
2024-06-03 cs.CL cs.PL cs.SE
Learning Code-Edit Embedding to Model Student Debugging Behavior
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
提出基于编码器-解码器的模型,通过学习连续代码提交间的代码编辑嵌入并微调LLMs,捕捉学生调试行为,实现个性化代码建议并揭示常见错误模式。
2025-04-29 cs.CL cs.SE
An Empirical Study of Java Code Improvements Based on Stack Overflow Answer Edits
Faculty of Information and Communication Technology, Mahidol University(马希达大学信息与通信技术学院);State University of Ceara (UECE)(塞阿拉州立大学)
本研究通过分析Stack Overflow的Java回答编辑,识别可改进的开源Java代码,发现近7%的采纳回答有多次修订,近半数编辑代码可应用于开源项目,11个bug修复方案被接受。
2026-08-25 cs.SE
PEACE: Towards Efficient Project-Level Efficiency Optimization via Hybrid Code Editing
Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security, Zhejiang University(浙江大学杭州高技区(滨江)区块链与数据安全研究院);The Chinese University of Hong Kong(香港中文大学)
针对函数级优化忽视跨函数交互的问题,本文提出混合代码编辑框架Peace,并构建PeacExec基准,验证其在真实项目级效率优化上的显著优势。
2025-10-21 cs.SE
gazel: Supporting Source Code Edits in Eye-Tracking Studies
眼动追踪工具被用于软件工程研究中,以研究各种软件开发活动。然而,这些工具的一个主要限制是它们无法跟踪涉及源代码编辑的活动的凝视数据。我们提出了一种新的解决方案,以支持眼动追踪实验的任务,涉及源代码编辑的iTrace社区基础设施的扩展。我们介绍了iTrace-Atom插件和gazel --一个Python数据处理管道,它将凝视信息映射到不断变化的源代码元素,并为研究人员提供了一种查询这种动态数据的方法。iTrace-Atom通过一系列模拟进行评估,在超过1,000 Hz的高眼动追踪速度下准确率超过99%。iTrace和gazel彻底改变了眼动追踪研究在现实环境中进行的方式,包括滚动、上下文切换和编辑。这为支持许多日常的软件工程任务打开了大门,例如bug修复、添加新功能和重构。
2021-06-19 cs.HC cs.SE