PulseAugur
中
实时 15:56:40
English(EN) CodeAlchemy: Synthetic Code Rewriting at Scale

CodeAlchemy 为 AI 训练生成超过 5000 亿个 token 的合成代码

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 CodeAlchemy，一个用于生成大规模合成代码数据以改进 AI 模型训练的框架。该系统采用了五种策略，包括代码重写、问答、开发者任务、对话交流和执行跟踪，生成了超过 5000 亿个 token 的合成代码和 3500 亿个推理 token。这个庞大的数据集旨在解决当前模型在理解真实世界代码任务方面的局限性，新的基准测试如 DevEval 和 TraceEval 突显了即使是前沿模型在语义理解方面也存在显著差距。 AI

影响 这个庞大的合成数据集可以显著提高 AI 的代码生成能力和对复杂编程任务的理解。

排序理由 这是一篇研究论文，详细介绍了一种新的合成数据生成方法及其在新基准测试上的表现。[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 →

CodeAlchemy 为 AI 训练生成超过 5000 亿个 token 的合成代码

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
这是一篇研究论文，详细介绍了一种新的合成数据生成方法及其在新基准测试上的表现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, model release
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
120 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Ankit Gupta, Aditya Prasad, Rameswar Panda ·

    CodeAlchemy：大规模合成代码重写

    arXiv:2606.10087v1 Announce Type: new Abstract: Pre-training on raw code teaches syntax but provides sparse signal for diverse real-world task formats. While synthetic data has proven transformative for language models, code remains largely unexplored beyond limited quality impro…

相关实体

相关话题