一篇新的研究论文比较了两种训练AI模型编辑代码的方法：直接生成整个修改后的文件与迭代的、基于diff的编辑。该研究使用这两种方法在Flutter/Dart数据集上训练了两个模型：Rainbow-Pony-100M和Qwen2.5-Coder-0.5B。结果表明，在包括编译成功率和代码质量在内的各种指标上，直接生成显著优于基于diff的方法。然而，基于diff的生成在重构和错误修复等短的、局部编辑上表现出竞争力，这种现象被称为“任务局部性”。 AI
影响 这项研究表明，对于大多数代码编辑任务，直接生成更优越，但迭代diff可能适用于特定的、局部的编辑。
排序理由 该集群包含一篇详细介绍AI模型训练方法实证研究的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.05779v1 Announce Type: cross Abstract: Large language models used for code editing can be trained and deployed in at least two output regimes: direct generation, where the model emits the entire modified file in one shot, and iterative diff-based generation ("steps"), …
Diff-based code editing underperforms direct generation overall but excels only on short, localized edits such as refactoring and error fixes, a property termed task locality.