2550 पेपर
CollabCoder एक नवीन प्लान-कोड को-इवोल्यूशन फ्रेमवर्क है जो प्लानिंग और कोडिंग मॉड्यूल्स के बीच एक गतिशील सहयोगात्मक निर्णय लेने की प्रक्रिया को लागू करके स्वचालित कोड जनरेशन को बढ़ाता है, जिससे जटिल बेंचमार्क पर अत्याधुनिक तरीकों की तुलना में बेहतर प्रदर्शन और दक्षता प्राप्त होती है।
यह शोध पत्र एक एजेंटिक एआई (agentic AI) ढांचे को प्रस्तुत करता है जो व्यक्तिगत शिक्षा के लिए छात्रों के अपने कोड में सुरक्षात्मक कमजोरियों (security vulnerabilities) को इंजेक्ट करने हेतु एलएलएम (LLMs) का उपयोग करता है, जिसमें यह पाया गया कि हालांकि छात्रों ने सामान्य सामग्री की तुलना में इन अनुकूलित उदाहरणों को गुणात्मक रूप से अधिक पसंद किया, लेकिन 71 स्नातक छात्रों के एक अध्ययन में यह दृष्टिकोण सीखने के परिणामों में सांख्यिकीय रूप से महत्वपूर्ण सुधार नहीं ला सका।
यह शोधपत्र कोड एलएलएम (LLMs) में मेमोराइजेशन (memorization) लाभों को मापने के लिए एक परटर्बेशन-आधारित (perturbation-based) विधि प्रस्तुत करता है, जो यह प्रकट करता है कि मेमोराइजेशन जोखिम विशिष्ट मॉडलों और कार्यों पर अत्यधिक निर्भर हैं, साथ ही यह भी प्रदर्शित करता है कि CVEFixes और Defects4J जैसे व्यापक रूप से संदिग्ध बेंचमार्क वास्तव में कम मेमोराइजेशन प्रदर्शित करते हैं, जो यह सुझाव देता है कि मॉडल सीखे गए सामान्यीकरण (generalization) पर अधिक निर्भर करते हैं।
यह शोध पत्र NESA को प्रस्तुत करता है, जो एक कंपोजिशनल न्यूरो-सिम्बोलिक फ्रेमवर्क है जो एक प्रतिबंधित डैटलॉग (Datalog) पॉलिसी द्वारा निर्देशित लार्ज लैंग्वेज मॉडल्स का लाभ उठाकर कम्पिलेशन-मुक्त, अनुकूलन योग्य स्टैटिक प्रोग्राम विश्लेषण को सक्षम बनाता है, जिससे भ्रम (hallucinations) में काफी कमी आती है और बग डिटेक्शन और प्रोग्राम स्लाइसिंग जैसे कार्यों में मौजूदा तकनीकों के बराबर या बेहतर प्रदर्शन प्राप्त होता है।
यह अध्ययन इस बात की जांच करता है कि कैसे व्यक्तिगत संज्ञानात्मक और व्यवहारिक कारक, UTAUT2 ढांचे के माध्यम से विश्लेषण किए जाने पर, विशिष्ट कार्यों के लिए सॉफ्टवेयर इंजीनियरों द्वारा लार्ज लैंग्वेज मॉडल्स (Large Language Models) को अपनाने को अलग-अलग तरह से प्रभावित करते हैं, जो यह प्रकट करता है कि विशिष्ट उद्देश्य अद्वितीय और कभी-कभी परस्पर विरोधी निर्धारकों द्वारा संचालित होते हैं।
यह शोध पत्र SEW को प्रस्तुत करता है, जो एक स्व-विकसित (self-evolving) फ्रेमवर्क है जो जटिल कोड जनरेशन कार्यों के लिए मल्टी-एजेंट वर्कफ़्लो को स्वचालित रूप से उत्पन्न और अनुकूलित करता है, जिससे मैन्युअल रूप से डिज़ाइन किए गए प्रॉम्प्ट या टोपोलॉजी पर निर्भर किए बिना बेसलाइन मॉडलों की तुलना में महत्वपूर्ण प्रदर्शन सुधार प्राप्त होता है।
यह शोध पत्र एक पूर्णतः स्टैटिक, ब्लैक-बॉक्स दृष्टिकोण प्रस्तुत करता है जो टेस्ट केस को निष्पादित किए बिना जटिल सिस्टम-लेवल टेस्ट कोड में दोषों (faults) को स्थानीयकृत करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे मौजूदा विधियों की तुलना में उच्च सटीकता प्राप्त होती है और इन्फरेंस समय एवं टोकन उपयोग में काफी कमी आती है।
यह शोध पत्र फाइन-ट्यून्ड ट्रांसफॉर्मर मॉडल्स (BERT, DistilBERT, RoBERTa) और एक्सप्लेनेबल एआई (SHAP) का लाभ उठाकर स्टैक ओवरफ्लो पर क्वांटम सॉफ्टवेयर इंजीनियरिंग चुनौतियों को वर्गीकृत करने के लिए एक उन्नत दृष्टिकोण प्रस्तुत करता है, जो 95% सटीकता प्राप्त करता है और पारंपरिक डीप लर्निंग विधियों से बेहतर प्रदर्शन करते हुए भविष्यवाणियों को संचालित करने वाली भाषाई विशेषताओं में पारदर्शी अंतर्दृष्टि प्रदान करता है।
यह शोध पत्र JanusCoder को प्रस्तुत करता है, जो सबसे बड़े मल्टीमॉडल कोड कॉर्पस (JanusCode-800K) पर प्रशिक्षित एक मौलिक विजुअल-प्रोग्रामेटिक इंटरफेस है, जो टेक्स्ट, विजुअल्स या दोनों से कोड उत्पन्न करने के लिए बनाया गया है, और विविध कोडिंग कार्यों में वाणिज्यिक मॉडलों के बराबर या उनसे बेहतर प्रदर्शन प्राप्त करता है।
यह शोध पत्र HYDRA को प्रस्तुत करता है, जो एक हाइब्रिड आर्किटेक्चर है जो नियम-आधारित ह्यूरिस्टिक्स को डीप रिप्रेजेंटेशन लर्निंग (विशेष रूप से GraphCodeBERT और एक वेरिएशनल ऑटोएनकोडर) के साथ जोड़ता है ताकि विविध वास्तविक दुनिया के सॉफ्टवेयर प्रोजेक्ट्स में पैच किए गए फंक्शन्स में लेटेंट ज़ीरो-डे कमजोरियों की प्रभावी ढंग से भविष्यवाणी की जा सके, जो फिक्स के बाद भी बने रहने वाले छिपे हुए जोखिमों को उजागर करके बेसलाइन मॉडल्स से बेहतर प्रदर्शन करता है।