Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.11083v1

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2507.11083v1 (cs)
[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

Authors:Longhui Zhang, Bin Wang, Jiahao Wang, Xiaofeng Zhao, Min Zhang, Hao Yang, Meishan Zhang, Yu Li, Jing Li, Jun Yu, Min Zhang
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。
摘要: Large language models (LLMs) have made significant strides in code translation tasks. However, ensuring both the correctness and readability of translated code remains a challenge, limiting their effective adoption in real-world software development. In this work, we propose F2STrans, a function-to-style guiding paradigm designed to progressively improve the performance of LLMs in code translation. Our approach comprises two key stages: (1) Functional learning, which optimizes translation correctness using high-quality source-target code pairs mined from online programming platforms, and (2) Style learning, which improves translation readability by incorporating both positive and negative style examples. Additionally, we introduce a novel code translation benchmark that includes up-to-date source code, extensive test cases, and manually annotated ground-truth translations, enabling comprehensive functional and stylistic evaluations. Experiments on both our new benchmark and existing datasets demonstrate that our approach significantly improves code translation performance. Notably, our approach enables Qwen-1.5B to outperform prompt-enhanced Qwen-32B and GPT-4 on average across 20 diverse code translation scenarios.
评论: 本文已被ICML 2025接受。模型和基准测试可以在https://www.modelscope.cn/collections/F2STrans-42526ff95dd843找到。
主题: 人工智能 (cs.AI) ; 软件工程 (cs.SE)
引用方式: arXiv:2507.11083 [cs.AI]
  (或者 arXiv:2507.11083v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.11083
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Longhui Zhang [查看电子邮件]
[v1] 星期二, 2025 年 7 月 15 日 08:25:02 UTC (983 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.SE

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号