新的OpenCoder框架解决了AI代码生成中的不确定性问题

研究人员推出OpenCoder，一个旨在通过显式建模检索证据中的不确定性来改进代码生成的新框架。与以往只关注检索相关性的方法不同，OpenCoder估计特定来源的不确定性，以过滤和排序来自各种来源的信息，如相似的代码示例、存储库上下文和项目特定API。这种方法旨在减少噪音和冲突信号，从而生成更准确的代码。在RepoExec-inline基准上的评估表明，OpenCoder显著提高了GPT生成代码的正确性，尽管收益因LLM后端而异。 AI

影响 这项研究通过更好地处理多样化数据源中固有的不确定性，有望带来更可靠、更准确的AI代码生成。

排序理由 介绍新颖框架和评估结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• Baseline RAG
• CatalyzeX
• DagsHub
• Gemini
• generative pre-trained transformer
• Gotit.pub
• Hugging Face
• OpenCoder
• RepoExec-inline
• ScienceCast

• 论文
• 模型发布

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