一篇题为“Recall Before Rerank”的新研究论文评估了深度学习模型在大规模代码到代码检索方面的性能。该研究强调了当前模型在处理跨多种编程语言的TB级源代码集合时，在精度和可扩展性方面存在的局限性。研究人员提出了基于LLM的代码规范化和查询重写技术，以提高效果较差模型的性能，并质疑资源受限环境下专门代码LLM的可行性。 AI
影响 强调了当前LLM在代码检索方面的局限性，为开发人员在可扩展性和精度方面指出了改进方向。
排序理由 该集群包含一篇在arXiv上发表的研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.27401v1 Announce Type: cross Abstract: Semantic code search and clone detection are essential for software development, maintenance, and reuse. This paper evaluates the effectiveness, efficiency, and scalability of contemporary deep learning models for first-stage reca…
Semantic code search and clone detection are essential for software development, maintenance, and reuse. This paper evaluates the effectiveness, efficiency, and scalability of contemporary deep learning models for first-stage recall in large-scale code-to-code search engines. Ben…