PulseAugur
中
实时 22:58:31
English(EN) Syntax Without Semantics: Teaching Large Language Models to Code in an Unseen Language

尽管理解算法，LLM 在使用未见过的语言进行编码时仍面临挑战

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员发现大型语言模型存在“实现保真度差距”，即模型可以理解算法，但在将算法转化为未见过的编程语言代码时遇到困难。使用一种名为 PyLang 的新语言进行的实验表明，尽管微调教会了模型语法，但与使用 Python 编码相比，它们的表现仍然明显较差。这表明需要新的训练方法来更好地将算法推理与特定语言的实现分离开来。 AI

影响 凸显了 LLM 代码生成能力的局限性，表明需要新的训练方法来提高跨语言迁移能力。

排序理由 学术论文，详细介绍了关于 LLM 能力的新发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

尽管理解算法，LLM 在使用未见过的语言进行编码时仍面临挑战

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Rashmi Gangadharaiah ·

    Syntax Without Semantics: Teaching Large Language Models to Code in an Unseen Language

    Large language models (LLMs) achieve high pass rates on code generation benchmarks, yet whether they can transfer this ability to languages absent from pretraining remains poorly understood. We introduce PyLang, a minimal imperative language absent from all pretraining corpora, a…

相关实体

相关话题