计算机科学 > 人工智能
[提交于 2025年7月15日
]
标题: LLMs代码翻译的函数到风格指导
标题: Function-to-Style Guidance of LLMs for Code Translation
摘要: 大型语言模型(LLMs)在代码翻译任务中取得了显著进展。 然而,确保翻译代码的正确性和可读性仍然是一个挑战,限制了它们在现实世界软件开发中的有效应用。 在本工作中,我们提出了F2STrans,一种功能到风格的引导范式,旨在逐步提高LLMs在代码翻译中的性能。 我们的方法包括两个关键阶段: (1)功能学习,通过从在线编程平台挖掘高质量的源目标代码对来优化翻译的正确性,以及(2)风格学习,通过结合正向和负向风格示例来提高翻译的可读性。 此外,我们引入了一个新的代码翻译基准,其中包括最新的源代码、广泛的测试用例和手动标注的真实翻译,从而能够进行全面的功能和风格评估。 在我们新基准和现有数据集上的实验表明,我们的方法显著提高了代码翻译性能。 值得注意的是,我们的方法使Qwen-1.5B在20种不同的代码翻译场景中平均表现优于增强提示的Qwen-32B和GPT-4。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.