PulseAugur
中
实时 10:00:32
English(EN) LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning

LLM智能体解开软件提交，准确率提升高达82%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了ColaUntangle，一个利用大型语言模型（LLMs）帮助解开软件提交的新颖框架。该系统采用多智能体架构，其中专业智能体识别代码变更中的显式和隐式依赖。通过迭代咨询，这些智能体与审查智能体合作，综合它们的发现，提高了将不相关的代码修改分离成原子提交的准确性。在C#和Java数据集上的评估表明，与现有方法相比，准确性有了显著提高，分别提高了44%和82%。 AI

影响 通过提高代码提交管理准确性和效率，增强软件开发工作流程。

排序理由 详细介绍新模型和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM智能体解开软件提交，准确率提升高达82%

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Bo Hou, Xin Tan, Kai Zheng, Fang Liu, Yinghao Zhu, Li Zhang ·

    LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning

    arXiv:2507.16395v3 Announce Type: replace Abstract: Atomic commits, which address a single development concern, are a best practice in software development. In practice, however, developers often produce tangled commits that mix unrelated changes, complicating code review and mai…

相关实体

相关话题