PulseAugur
实时 05:53:35
English(EN) Enhancing Software Engineering Through Closed-Loop Memory Optimization

新框架优化用于软件工程任务的LLM内存

研究人员开发了一个名为“ours”的新框架,以增强用于软件工程的大型语言模型的内存能力。这个闭环系统将内存效用建立在经过验证的下游影响之上,既作为评估基准,也作为优化信号。实验表明,“ours”能够持续改进SE代理,在成功率和效率方面带来显著提升,同时降低计算成本。 AI

影响 增强用于软件工程的LLM代理,可能提高开发人员的生产力并降低计算开销。

排序理由 该集群包含一篇详细介绍新框架及其实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xuehang Guo, Zora Zhiruo Wang, Qingyun Wang, Graham Neubig, Xingyao Wang ·

    通过闭环内存优化增强软件工程

    arXiv:2606.05646v1 Announce Type: cross Abstract: Large language models (LLMs) have enabled powerful software engineering (SE) agents capable of navigating complex codebases and resolving real-world issues. However, these agents remain fundamentally episodic: they fail to retain,…