一篇新的研究论文调查了大型语言模型在判断代码正确性方面的可靠性，特别是在面对跨不同项目和编程语言的分布变化时。该研究在Qwen3-Coder-30B和GPT OSS 20B等模型上比较了六种无执行预测器，评估它们预测模型判断和程序实际正确性的能力。因果定位方法在判断正确性方面显示出对语言变化的鲁棒性有所提高，优于非因果预测器，尽管这种优势并非在所有模型或基准变化中都一致。 AI
影响 研究了提高AI模型在代码评估中可靠性的方法，可能带来更值得信赖的AI辅助编码工具。
排序理由 在arXiv上发表的研究论文，详细介绍了评估AI代码正确性的方法。
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:2611.07876v1 Announce Type: cross Abstract: Large language models increasingly judge code, yet without external feedback such judgments are unreliable, and verifying them by executing tests or by extended reasoning is costly. Instead, execution-free correctness predictors u…
Large language models increasingly judge code, yet without external feedback such judgments are unreliable, and verifying them by executing tests or by extended reasoning is costly. Instead, execution-free correctness predictors use signals from the model's output probabilities, …