M2CVD: Enhancing Vulnerability Semantic through Multi-Model Collaboration for Code Vulnerability Detection
本文提出M2CVD方法，通过LLMs与代码模型协作增强漏洞语义描述，提升代码漏洞检测准确性，并在真实数据集上显著优于基线。
2024-07-19 cs.SE
Static Code Analysis with CodeChecker
本文介绍开源项目 CodeChecker，它将 Clang Static Analyzer、Clang-Tidy 等静态分析工具集成进 C++ 构建、CI 与开发流程，并提供问题管理系统，原为 2018 年 3COWS 会议讲座材料。
2024-08-05 cs.SE
Do Code LLMs Do Static Analysis?
University of Notre Dame（圣母大学）
本文研究代码LLM在代码智能任务中的静态分析能力，发现LLM在静态分析任务中表现不佳，且预训练静态分析任务无法提升代码智能任务性能。
2026-03-26 cs.SE
Enhancing Trust in Language Model-Based Code Optimization through RLHF: A Research Design
本文提出一项研究设计，拟通过整合人类反馈的 RLHF 提升语言模型代码优化的可信性与可靠性。
2025-03-18 cs.SE
Evaluation of Static Analysis Tools for Finding Vulnerabilities in Java and C/C++ Source Code
安全测试被推迟到软件开发之后是很常见的，但是漏洞可能会在整个实施阶段被发现，并且发现得越早，修复它们就越容易，越便宜。软件开发过程（如安全软件开发生命周期）在设计和开发过程的每个阶段都包含安全性。静态代码扫描工具通过突出潜在的安全缺陷来发现代码中的漏洞，并提供如何解决这些漏洞的示例，有些甚至可以修改代码以消除敏感性。本文比较了Java和C/C++源代码的静态分析工具，并探讨了它们的优缺点。
2018-05-24 cs.SE
STALL+: Boosting LLM-based Repository-level Code Completion with Static Analysis
本文提出框架 STALL+，系统研究静态分析在基于大语言模型的仓库级代码补全不同阶段的集成策略，并在 CrossCodeEval 上验证提示阶段集成文件依赖效果最佳，同时揭示其与 RAG 的互补性及语言差异。
2024-06-14 cs.SE
Tracking the Evolution of Static Code Warnings: the State-of-the-Art and a Better Approach
本文针对静态代码警告在开发流程中的持续追踪问题，梳理现有方法并提出更精确的警告演化追踪方案，以支持代码审查、持续集成、自动修复和警告优先级排序。
2024-01-23 cs.SE
Focused-DPO: Enhancing Code Generation Through Focused Preference Optimization on Error-Prone Points
本文提出Focused-DPO框架，通过错误点识别方法定位易错区域并将偏好优化聚焦于这些关键点，从而显著提升代码生成模型的准确性与可靠性。
2025-06-03 cs.SE
Enhancing Understandability and Transparency of Research Software: Tracing Research to Code
University of Cologne（科隆大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文提出一种基于LLM的自动化工具，通过建立论文思想与代码间的映射，提升研究软件的可理解性和透明度，解决新成员上手困难和会议评审复制包评估的问题。
2026-04-12 cs.SE
CAST: Enhancing Code Summarization with Hierarchical Splitting and Reconstruction of Abstract Syntax Trees
代码摘要旨在生成源代码的简洁自然语言描述，这有助于提高程序的理解和维护。最近的研究表明，从抽象语法树（AST）中提取的语法和结构信息有助于摘要生成。然而，现有的方法不能完全捕捉到丰富的信息，因为大尺寸/深度的AST。在本文中，我们提出了一种新的模型CAST，分层分裂和重建AST。首先，我们分层地将一个大的AST分成一组子树，并利用递归神经网络来编码子树。然后，我们通过重构分裂的AST来聚合子树的嵌入，以得到完整AST的表示。最后，AST表示，连同源代码嵌入获得的香草代码令牌编码器，用于代码摘要。广泛的实验，包括消融研究和人体评估，对基准已经证明了CAST的力量。为了便于再现，我们的代码和数据可在https://anonymous.4open.science/r/CAST/上获得。
2021-11-30 cs.SE
Cross-Language Code Search using Static and Dynamic Analyses
随着代码搜索渗透到软件开发中的大多数活动中，代码到代码搜索已经出现，以支持使用代码作为查询并在搜索结果中检索相似的代码。应用程序包括用于重构的重复代码检测、用于程序修复的补丁识别和语言翻译。现有的代码到代码搜索工具依赖于静态相似性方法，例如比较标记和抽象语法树（AST）来近似动态行为，导致精度低。大多数工具不支持跨语言代码到代码搜索，而那些支持的工具依赖于需要标记训练数据的机器学习模型。我们提出了跨语言的代码到代码搜索（COSAL），一种跨语言技术，使用静态和动态分析来识别相似的代码，不需要机器学习模型。基于代码标记相似性、结构相似性和行为相似性，使用非支配排序对代码片段进行排名。我们在43，146个Java和Python文件和55，499个Java文件的两个数据集上对COSAL进行了经验评估，发现1）与单一或加权度量相比，基于静态和动态相似性度量的非支配排名的代码搜索更有效; 2）与最先进的语言内和跨语言代码到代码搜索工具相比，COSAL具有更好的精确度和召回率。我们探讨了在大型开源存储库上使用COSAL的潜力，并讨论了更多语言和相似性度量的可扩展性，为实用的多语言代码到代码搜索提供了一个网关。
2021-06-16 cs.SE
Validating Static Warnings via Testing Code Fragments
静态分析是发现软件缺陷和漏洞的重要方法。然而，检查和确认静态警告是具有挑战性和耗时的。在本文中，我们提出了一种新的解决方案，自动生成测试用例的基础上，静态警告，以验证真和假阳性。我们设计了一个语法修补算法，可以从静态警告中生成语法有效、语义保持的可执行代码片段。我们开发了一个构建和测试系统，使用模糊器，KLEE和Valgrind自动测试代码片段。我们使用12个真实的C项目和1955个来自两个商业静态分析工具的警告来评估我们的技术。我们成功构建了68.5%的代码片段并生成了1003个测试用例。通过自动测试，我们确定了48个真阳性和27个假阳性，以及205个可能的假阳性。我们使用Helium匹配了4个CVE和真实世界的bug，它们只由我们的工具触发，而不是其他基线工具。我们发现，测试代码片段是可伸缩的和有用的;它可以触发测试整个程序或测试过程未能触发的错误。
2021-06-28 cs.SE
Static Code Analysis of Multilanguage Software Systems
使用静态代码分析来识别多语言软件系统的依赖调用图是具有挑战性的。开发当今系统所使用的不同语言通常具有不同的词法、语法和语义规则，这使得彻底的分析变得困难。此外，它们在组件内部和组件之间提供不同的模块化和依赖机制。最后，它们促进和--或要求各种框架提供不同的服务集，这些服务集引入了隐藏的依赖关系，这些依赖关系是当前静态代码分析方法所看不到的。在本文中，我们确定了五个重要的挑战，静态代码分析必须克服多语言系统，我们提出了要求，以处理它们。然后，我们提出了这些需求的解决方案来处理JEE应用程序，它将服务器端Java源代码与许多客户端Web方言（例如，JSP，JSF），同时依赖于框架（例如，Web和EJB容器）创建隐藏的依赖关系。最后，我们通过开发一套工具来分析JEE应用程序，构建依赖调用图，并将这些工具应用于两个示例JEE应用程序，来评估我们的解决方案的实现。我们的评估表明，我们的工具可以解决所确定的挑战，并提高召回识别多语言的依赖关系相比，标准的JEE静态代码分析，因此，间接提出的要求是有用的，以建立多语言的静态代码分析。
2019-06-03 cs.SE
A Better Approach to Track the Evolution of Static Code Warnings
静态错误检测工具帮助开发人员检测代码问题。然而，众所周知，由于各种原因，它们仍然没有得到充分利用。在现代软件开发工作流中引入静态错误检测器的最新进展可以更好地激励开发人员即时修复报告的警告。在本文中，我们研究了最先进的（SOA）解决方案的静态错误检测器跟踪警告的有效性，并提出了一个更好的解决方案的基础上，我们分析的不一致性的SOA解决方案。特别是，我们检查了四个大型开源系统，并通过两个静态错误检测器制作了一个包含3，452个静态代码警告的数据集。我们手动揭示所选警告的真实演变状态：持续、已解决或新引入。此外，通过人工分析，我们确定了SOA匹配算法不一致背后的关键原因。最后，我们提出了一个更好的方法来改善静态警告的跟踪软件开发历史。我们的评估表明，我们提出的方法提供了一个显着的改善精度的跟踪，即，从66.9%上升到90.0%。
2021-03-25 cs.SE
Enhancing Code Annotation Reliability: Generative AI's Role in Comment Quality Assessment Models
本研究提出利用生成式AI扩充代码注释数据集的方法，将新生成的1437对标注样本加入C语言数据集后，显著提升了SVM和ANN模型的代码注释质量分类性能，为软件工程领域的模型优化提供了新思路。
2024-10-29 cs.SE
Debugging Static Analysis
为了检测和修复错误和安全漏洞，软件公司使用静态分析作为开发过程的一部分。但是，静态分析代码本身也容易出现bug。为了确保一致的精度水平，随着被分析的程序变得越来越复杂，静态分析必须处理程序使用的更多代码构造、框架和库。虽然每天都有更复杂的分析被编写并用于生产系统，但调试和修复它们的成本也大大增加。为了更好地理解调试静态分析的困难，我们调查了115位静态分析作者。从他们的回复中，我们提取了构建用于静态分析的调试器的核心需求，这些需求围绕两个主要问题：（1）同时从两个代码库（分析代码和被分析代码）中进行抽象，以及（2）在两个代码库中跟踪分析内部状态。我们的调查参与者使用的大多数当前调试工具缺乏解决这两个问题的能力。针对这些需求，我们介绍了VisuFlow，这是一个集成在Eclipse开发环境中的静态数据流分析调试环境。VisuFlow具有图形可视化功能，使用户能够随时查看数据流分析的状态及其中间结果。VisuFlow中的特殊断点可帮助用户同时单步执行分析代码和分析对象。为了评估VisuFlow的有用性，我们对20位静态分析作者进行了用户研究。与使用标准Eclipse调试环境相比，使用VisuFlow帮助我们的分析编写者样本识别并修复了分析代码中25%以上的错误。
2018-01-15 cs.SE
Beyond Functional Correctness: Static Code Quality Profiling of LLM-Generated Code
The University of Queensland（昆士兰大学）；Texas A&M University–Kingsville（德克萨斯农工大学金斯维尔分校）；Central Queensland University（中昆士兰大学）
本文针对大语言模型生成的Python代码开展大规模静态质量分析，借助Pylint等工具评估可维护性与可靠性，发现不同模型间存在功能正确性无法捕捉的系统性差异，推动了更全面的代码评估框架发展。
2026-10-13 cs.SE
Enhancing LLM-Based Coding Tools through Native Integration of IDE-Derived Static Context
The Chinese University of Hong Kong（香港中文大学）
本文提出IDECoder框架，通过原生集成IDE的静态上下文和诊断结果进行跨上下文构建与自我精炼，有效解决了大型软件项目中LLM仓库级代码补全受限于跨文件信息获取准确率和上下文长度的问题。
2024-02-19 cs.AI cs.SE
What really changes when developers intend to improve their source code: a commit-level study of static metric value and static analysis warning changes
许多软件度量被设计用来度量那些被认为与软件质量相关的方面。静态软件度量，例如，规模、复杂性和耦合性被用于缺陷预测研究以及软件质量模型来评估软件质量。虽然这表明了质量和软件度量之间的关系，但它的程度还没有得到很好的理解。此外，最近的研究发现，复杂性度量可能是源代码可理解性的不可靠指标。为了探索这种关系，我们利用开发人员的意图，即什么构成了他们自己代码库的质量改进。我们通过检查提交消息，将来自54个Java开源项目的2，533个提交的随机样本手动分类为质量改进，这取决于开发人员的意图。我们通过预定义的指导方针区分完美和纠正性维护，并将这些数据用作基础事实，用于微调自然语言处理的最先进的深度学习模型。我们使用该模型将数据集增加到125，482次提交。基于由此产生的数据集，我们调查的差异大小和14静态源代码指标之间的变化，提高质量，由开发人员表示，和其他变化。我们发现，质量改善提交比其他提交更小。完美的更改对静态源代码指标有积极的影响，而纠正性更改则倾向于增加复杂性。此外，我们发现，文件的目标是完善的维护已经有一个较低的中位数比其他文件的复杂性。我们的研究结果提供了经验证据，静态源代码度量捕获质量改进从开发人员的角度来看。这对程序理解以及代码气味检测和推荐系统都有影响。
2022-05-30 cs.SE
Retrospective: Data Mining Static Code Attributes to Learn Defect Predictors
本文回顾了经典缺陷预测论文的基线贡献及其对软件工程研究的影响，反思其应被记住与遗忘之处。
2025-01-26 cs.SE
TRACED: Execution-aware Pre-training for Source Code
针对静态预训练代码模型难以捕捉动态程序属性的问题，提出结合执行轨迹的执行感知预训练策略TRACED，在多个代码理解任务上显著优于静态预训练模型。
2023-06-13 cs.SE
Static Analysis of Infrastructure as Code: a Survey
在DevOps中越来越多地使用基础设施即代码（IaC），这带来了部署操作的速度和可靠性方面的好处，但也带来了软件系统典型的基础设施挑战。IaC脚本可能包含导致部署的基础设施中的安全性和可靠性问题的缺陷：需要检测和预防它们的技术。本文通过对IaC的静态分析技术的文献回顾，分析和综述了这方面的研究现状。我们描述了分析技术，缺陷类别和平台的工具在文献中。
2022-06-21 cs.SE
Combining Code Embedding with Static Analysis for Function-Call Completion
代码完成是集成开发环境（IDE）的一个重要特性。它允许开发人员更快地生成代码，特别是那些不完全熟悉API和其他代码的新手。以前关于代码完成的工作主要利用程序设计语言的静态类型系统或正在开发的项目或使用公共API的其他项目的代码历史。在这项工作中，我们提出了一种新的方法来改善当前的函数调用完成工具，通过学习独立的代码库，使用众所周知的自然语言处理模型，可以学习向量表示的源代码（代码嵌入）。我们的模型不是基于特定项目的历史数据进行训练的。相反，我们的方法允许学习高级概念及其在数千个项目中的关系。因此，所得到的系统能够提供不特定于特定项目或API的一般建议。此外，通过考虑完成调用的上下文，我们的方法建议与该上下文相关的函数调用。我们在一组培训期间看不到的开源项目上评估了我们的方法。结果表明，使用经过训练的模型以及基于静态类型分析的代码建议插件可以显著提高完成建议的正确性。
2020-10-31 cs.SE
GraphCoder: Enhancing Repository-Level Code Completion via Code Context Graph-based Retrieval and Language Model
针对代码大语言模型缺乏仓库特定知识导致仓库级代码补全性能不佳的问题，提出基于代码上下文图的检索增强框架GraphCoder，通过结构化上下文捕捉与粗到细检索提升补全精度与效率。
2024-09-13 cs.SE
E&V: Prompting Large Language Models to Perform Static Analysis by Pseudo-code Execution and Verification
本研究提出利用大语言模型模拟伪代码执行的E&V静态分析方法，搭配无需外部基准的验证流程缓解幻觉问题，在Linux内核bug分类任务中准确率达81.2%。
2023-12-13 cs.SE
SpecTra: Enhancing the Code Translation Ability of Language Models by Generating Multi-Modal Specifications
Columbia University（哥伦比亚大学）；IBM Research（IBM研究院）
SpecTra通过生成多模态规范提升LLM的代码翻译能力，实现高达46%的性能提升。
2025-12-04 cs.SE
SEDCoT: Enhancing LLM-Based COBOL Code Translation via Symbolic Execution and Delta Debugging
University of Lugano（卢加诺大学）；Technical University of Munich（慕尼黑工业大学）；University of Augsburg（奥格斯堡大学）
针对COBOL代码翻译难题，提出SEDCoT框架。先利用大语言模型初译，再结合符号执行与大语言模型指导生成测试套件修复语义差异，最后用增量调试最小化失败测试，提升翻译性能与可读性。
2026-09-02 cs.SE
ADC: Enhancing Function Calling Via Adversarial Datasets and Code Line-Level Feedback
本文提出ADC方法，通过行级执行反馈的代码微调数据集和对抗性数据集生成过程，结合分阶段训练，显著提升了大型语言模型在复杂函数调用中的格式遵循与参数匹配能力。
2024-12-25 cs.SE
ContraBERT: Enhancing Code Pre-trained Models via Contrastive Learning
CodeBERT、GraphCodeBERT等大规模预训练模型已经引起了学术界和工业界的广泛关注。由于其在代码表示方面的优越能力，它们已被进一步应用于克隆检测、代码搜索和代码翻译等多个下游任务。然而，还观察到这些最先进的预训练模型容易受到对抗攻击的影响。这些预先训练好的模型的性能会因为简单的扰动而显著下降，比如重命名变量名。这种弱点可能会被他们的下游模型继承，从而以前所未有的规模放大。为此，我们提出了一种方法，即ContraBERT，旨在通过对比学习提高预训练模型的鲁棒性。具体而言，我们设计了九种简单和复杂的数据增强操作符上的程序设计语言（PL）和自然语言（NL）的数据构建不同的变种。此外，我们继续训练现有的预训练模型的掩蔽语言建模（MLM）和对比预训练任务的原始样本与他们的增强变体，以提高模型的鲁棒性。大量的实验表明，ContraBERT可以有效地提高现有预训练模型的鲁棒性。进一步的研究还证实，这些鲁棒性增强的模型提供了改进相比，原始模型在四个流行的下游任务。
2023-01-22 cs.SE
Consistency Meets Verification: Enhancing Test Generation Quality in Large Language Models Without Ground-Truth Solutions
York University（约克大学）
ConVerTest通过自我一致性、验证链和双执行协议，在无需真实解决方案的情况下提升大型语言模型的测试生成质量。
2026-02-11 cs.SE
JuCify: A Step Towards Android Code Unification for Enhanced Static Analysis
原生代码现在在Android应用程序包中很常见，它通过Java原生接口与Dex字节码共存并交互，以提供丰富的应用程序功能。然而，最先进的静态分析方法大多忽略了这种本机代码的存在，然而，这些本机代码可能实现应用行为的一些关键敏感部分，甚至恶意部分。现有技术的这种局限性严重威胁到大范围静态分析的有效性，这些静态分析无法完整地查看应用程序中的可执行代码。为了解决这个问题，我们提出了一个雄心勃勃的研究方向的新进展，即在Android应用程序中构建所有代码的统一模型。本文中提出的JuCify方法是朝着这样一个模型迈出的重要一步，我们提取并合并本机代码和字节码的调用图，以使最终模型易于通过常见的Android分析框架使用：在我们的实现中，JuCify构建在Soot内部中间表示的基础上。我们进行了实证调查，以突出如何，没有统一的模型，从本地代码调用的Java方法的显着数量是“不可访问”的应用程序的调用图，无论是在好软件和恶意软件。使用JuCify，我们能够使静态分析器能够揭示恶意软件依赖本机代码来隐藏Android框架中的支付库代码或其他敏感代码的调用的情况。此外，JuCify的模型使最先进的工具能够在通过本机代码检测数据泄漏时实现更好的精度和召回率。最后，我们展示了通过使用JuCify，我们可以找到通过本机代码传递的敏感数据泄漏。
2022-01-23 cs.SE
Path-sensitive Type Analysis with Backward Analysis for Quality Assurance of Dynamic Typed Language Code
对动态类型语言进行精确而快速的静态类型分析是非常困难的。这主要是因为缺少静态类型信息使得很难近似变量的所有可能值。实际上，现有的静态类型分析方法是不精确的或缓慢的。本文提出了一种提高Python代码静态类型分析精度的新方法，该方法通过向后分析来获得路径敏感性。通过这样做，我们的方法旨在获得更精确的静态类型信息，这有助于全面提高静态分析。为了证明我们的方法的有效性，我们进行了初步的实验，比较我们的方法实现和现有的分析工具的精度和时间效率。实验结果表明，与现有的静态类型分析工具相比，该方法可以提供更精确的类型分析，误报率更低。同时也表明我们提出的方法虽然增加了分析时间，但仍然在实际使用的范围内。
2023-02-15 cs.SE
Teaching LLMs a Low-Resource Language: Enhancing Code Completion in Pharo
Graz University of Technology（格拉茨工业大学）；Software Institute – USI（软件研究所 - 瑞士意大利大学）；Università della Svizzera italiana（瑞士意大利大学）；Univ. Lille, Inria, CNRS, Centrale Lille and Lifeware SA（里尔大学、法国国家信息与自动化研究院、法国国家科学研究中心、里尔中央理工学院和Lifeware公司）；CIRAD（法国农业研究国际中心）；CNRS, University of Bordeaux（法国国家科学研究中心、波尔多大学）；Bordeaux INP, LaBRI, UMR5800（波尔多理工学院、拉布里实验室）
研究将基于大语言模型的代码补全引入低资源语言Pharo，介绍结合特定数据处理、预训练与微调的端到端流程，引入基准测试，实证表明专用模型性能超越原模型及更大模型。
2026-07-07 cs.SE
CodeAgent: Enhancing Code Generation with Tool-Integrated Agent Systems for Real-World Repo-level Coding Challenges
本文提出 CodeAgent 框架，通过集成五种编程工具和四种智能体策略，显著提升 LLM 在真实仓库级代码生成任务中的表现，并在 CodeAgentBench 基准上实现 18.1% 至 250% 的性能改进。
2024-08-09 cs.SE
LLM-Based Static Verification of Code Against Natural-Language Requirements: An Industrial Experience Report
NIO Inc.（蔚来）；University of Nottingham Ningbo China（诺丁汉大学宁波校区）；Swinburne University of Technology（斯威本科技大学）
本文提出一种基于大语言模型的两阶段工作流，用于在智能汽车网络安全案例中验证代码是否符合自然语言要求，通过引入结构化中间表示减少幻觉和输出变异，提升静态分析的准确性与解释性。
2026-05-18 cs.SE
Automatically Tailoring Static Analysis to Custom Usage Scenarios
近年来，在静态分析仪的开发和工业应用方面取得了重大进展。这样的分析仪通常提供大量（如果不是巨大的话）可配置选项来控制分析的精度和性能。在软件开发生存周期中集成静态分析器的一个主要障碍是将它们的选项调优到自定义使用场景，例如特定的代码库或某些资源约束。在本文中，我们提出了一种技术，自动定制的静态分析器，特别是一个抽象的解释器，分析和任何给定的资源约束下的代码。我们在一个名为TAILOR的框架中实现了这种技术，我们用它来对现实世界的基准进行广泛的评估。我们的实验表明，由TAILOR生成的配置远远优于默认的分析选项，根据分析的代码而显着变化，并且大多数仍然适合于几个后续的代码版本。
2020-09-30 cs.SE
RepoGenReflex: Enhancing Repository-Level Code Completion with Verbal Reinforcement and Retrieval-Augmented Generation
针对仓库级代码补全中难以动态优化检索与生成过程的问题，提出RepoGenReflex框架，结合言语强化学习与检索增强生成（RAG-VRL）循环，利用Reflector反馈和经验缓存动态选择最优结果，并在新基准RepoGenEval上验证了其准确性与鲁棒性的显著提升。
2024-09-23 cs.SE
VFDelta: A Framework for Detecting Silent Vulnerability Fixes by Enhancing Code Change Learning
提出VFDelta框架，通过独立模型嵌入变更前后代码并执行逐元素减法以捕获细粒度变更，联合训练嵌入与分类模型，在静默漏洞修复检测中显著优于现有方法。
2024-09-25 cs.SE
Enhancing Code Generation Performance of Smaller Models by Distilling the Reasoning Ability of LLMs
针对较小模型代码生成推理能力不足的问题，提出 CodePLAN 框架，通过多任务学习和逆向推理等蒸馏策略转移 LLMs 的推理能力，在 APPS 基准上 pass@1 性能提升超 130%。
2024-03-20 cs.SE
Forming Teams for Teaching Programming based on Static Code Analysis
在课堂上使用团队进行编程教学是有效的，因为它可以帮助学生在更短的时间内产生和获得新的知识，但这些小组的形成没有考虑到某些方面，可能会对教与学的过程造成不利影响。本文提出了一种基于源代码语义的团队组建工具（SOFORG）。这种语义基于从偏好、风格和良好编程实践中提取的度量。所有这些都是通过对每个学生开发的代码进行静态分析来实现的。通过这种方式，您将拥有一个学生记录，其中包含提取的信息;它可以评估给定课程中的最佳团队组成。团队的形成是基于编程风格，技能，结对编程或与领导者。
2012-05-29 cs.SE
Clean Code, Better Models: Enhancing LLM Performance with Smell-Cleaned Dataset
本文首次系统研究代码坏味对LLM输入输出质量的影响，提出清理工具SmellCC并构建清理后数据集微调模型，验证其在代码补全与搜索任务中的价值。
2025-08-16 cs.SE
Leveraging Static Analysis for Bug Repair
本文结合 sequence-to-sequence 模型与静态分析工具 Infer，在 IR 与源代码空间协同修复资源泄漏缺陷，并通过解码策略与结果过滤实现约 97% 精确率和 66% 召回率。
2023-04-21 cs.SE
A Large-Scale Collection Of (Non-)Actionable Static Code Analysis Reports
针对静态代码分析警报疲劳问题，本文提出可执行/不可执行SCA警告收集分类方法，构建了超百万条Java警告的大规模数据集NASCAR并公开，支撑相关研究。
2025-11-13 cs.SE
Implementing and Executing Static Analysis Using LLVM and CodeChecker
本教程通过LLVM和CodeChecker，以C++中冗余指针消除和std::string悬空指针检测两个问题为例，逐步讲解基于抽象语法树和符号执行的静态分析检查器实现方法。
2024-08-10 cs.SE
Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency
本文系统评估了多智能体协作与运行时调试相结合对LLM代码生成的影响，通过19个模型和两个基准数据集验证其在准确性、可靠性和延迟方面的综合效果。
2025-05-04 cs.SE
Combining Static Code Analysis and Large Language Models Improves Correctness and Performance of Algorithm Recognition
Ulm University（乌尔姆大学）
本文研究了结合大语言模型与静态代码分析在算法识别中的效果，发现该方法能显著降低运行时间并提升F1分数，同时验证了模型在标识符混淆下的鲁棒性。
2026-04-03 cs.SE
LAURA: Enhancing Code Review Generation with Context-Enriched Retrieval-Augmented LLM
School of Computer Science；Technology Beijing Institute of Technology Beijing, China；Institute of Software Chinese Academy of Sciences Beijing, China；School of Computer Science Tianjin University Tianjin, China
LAURA通过整合审查范例检索、上下文增强和系统引导，提升代码审查生成的准确性和质量。
2026-02-22 cs.SE
Neural Code Search Revisited: Enhancing Code Snippet Retrieval through Natural Language Intent
Nokia Bell Labs（诺基亚贝尔实验室）
在这项工作中，我们提出并研究注释代码搜索：检索的代码片段配对的简要说明，他们的意图使用自然语言查询。在三个基准数据集上，我们研究了如何通过利用描述来更好地捕获代码片段的意图来改进代码检索系统。基于迁移学习和自然语言处理的最新进展，我们为用自然语言描述注释的代码创建了一个特定于域的检索模型。我们发现，与不使用描述但试图仅从未注释的代码计算片段意图的最先进的代码检索方法相比，我们的模型产生了更相关的搜索结果（平均倒数排名的绝对增益高达20.6%）。
2020-08-27 cs.IR cs.LG cs.SE
Enhancing Code Consistency in AI Research with Large Language Models and Retrieval-Augmented Generation
NVIDIA（英伟达）
本文提出一种利用检索增强生成和大型语言模型自动验证代码实现与研究论文算法一致性的系统，提升了验证准确性与全面性，促进了AI研究的透明度、可复现性及研究可信度。
2025-02-02 cs.AI cs.SE
Enhancing Binary Code Comment Quality Classification: Integrating Generative AI for Improved Accuracy
Sri Sivasubramaniya Nadar College of Engineering（斯里·西瓦苏布拉马尼亚·纳达尔工程学院）
本研究通过整合生成式AI生成的代码与注释对，构建了包含9048对C语言数据的增强数据集，训练出两个二进制代码注释质量分类模型，有效提升了分类准确率。
2023-10-14 cs.AI cs.LG cs.SE
The Role of DevOps in Enhancing Enterprise Software Delivery Success through R&D Efficiency and Source Code Management
Solbridge International School of Business（索尔布里奇国际商学院）
本研究通过定性案例研究，探讨DevOps实践如何通过提升研发效率和源代码管理促进企业软件交付成功，并指出文化阻力和工具集成等挑战。
2024-11-04 cs.CL cs.SE
Enhancing Code LLMs with Reinforcement Learning in Code Generation: A Survey
SCU（四川大学）；UMN（明尼苏达大学）；SCNU（华南师范大学）；UofT（多伦多大学）；Henan Runtai Tech（河南润泰科技）；AIGCode；OSU（俄亥俄州立大学）；NJU（南京大学）；Cornell（康奈尔大学）；WashU（华盛顿大学）；AMA University（阿曼大学）；Emory（埃默里大学）；ByteDance（字节跳动）；UCSC（加州大学圣塔克鲁兹分校）
本文系统综述了强化学习在代码生成与优化中的应用，涵盖编译器优化、资源分配及框架工具，旨在为相关研究提供全面参考。
2025-08-07 cs.CL cs.SE
Enhancing Code Quality with Generative AI: Boosting Developer Warning Compliance
Electrical and Computer Engineering Department（电气与计算机工程系）；United States Naval Academy（美国海军学院）
针对开发者因静态分析警告冗长、困惑且可能误报而忽视修复的问题，提出利用大型语言模型简化警告、说明严重性并建议修复方案，以提升警告修复遵从度和代码质量。
2025-05-16 cs.LG cs.SE
A Static Evaluation of Code Completion by Large Language Models
AWS AI Labs（AWS人工智能实验室）
本文提出基于抽象语法树的 Python 代码补全静态评估框架，通过百万函数体实验高效识别常见静态错误，并分析温度、模型规模与上下文的影响。
2023-06-05 cs.CL cs.SE
