基于LLM的自动化程序修复：探讨错误复杂性和成本效益

一项发表在arXiv上的新研究调查了基于大型语言模型（LLM）的自动化程序修复（APR）技术的有效性。该研究分析了错误复杂性、故障定位准确性以及不同LLM的成本等因素如何影响修复性能。研究结果表明，尽管复杂错误和不精确的故障定位带来了挑战，但基于LLM的APR仍然具有竞争力，尽管成本更高的模型并不总是提供更好的成本效益。具体而言，GPT-5在修复复杂错误方面优于DeepSeek V4-Pro和DeepSeek V3.2，但DeepSeek V3.2表现出更优越的成本效益。 AI

影响 为优化LLM在软件开发任务中的使用提供了见解，强调了成本效益的权衡。

排序理由 研究论文分析LLM在自动化程序修复上的性能。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ChatRepair
• CodeCorrector
• DeepSeek
• DeepSeek V3.2
• DeepSeek V4-Pro
• generative pre-trained transformer
• GPT-5
• llama

• 论文
• 其他

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