← नवीनतम पेपर
💻 computer science

TICoder: A Repository-Level Code Generation Framework with Test-Driven Planning and Implementation-Aware Reuse

यह शोधपत्र TICoder प्रस्तुत करता है, जो एक नवीन रिपॉजिटरी-स्तरीय कोड जनरेशन फ्रेमवर्क है, जो व्यवहार संबंधी मार्गदर्शन के लिए एक टेस्ट-ड्रिवन इटरेटिव प्लानिंग मैकेनिज्म और मौजूदा रिपॉजिटरी कोड का प्रभावी ढंग से लाभ उठाने के लिए डुअल-व्यू सिमिलैरिटी और डुअल-स्टेज सिलेक्शन के साथ एक इम्प्लीमेंटेशन-अवेयर रीयूज स्ट्रैटेजी को एकीकृत करके लार्ज लैंग्वेज मॉडल के प्रदर्शन को बढ़ाता है, जिससे अत्याधुनिक विधियों की तुलना में औसतन 11.52% का सुधार प्राप्त होता है।

मूल लेखक: Siyu Nan, Yaling Luo, Jian Wang, Neng Zhang, Bing Li

प्रकाशित 2026-06-09
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Siyu Nan, Yaling Luo, Jian Wang, Neng Zhang, Bing Li

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ (AI) हैं जो ग्राहक के एक अस्पष्ट ऑर्डर "मुझे पास्ता के साथ कुछ बना कर दो" के आधार पर एक जटिल व्यंजन बनाने की कोशिश कर रहे हैं। आपके पास रेसिपी बुक्स का एक विशाल पुस्तकालय (कोड रिपॉजिटरी) है, लेकिन आप एक बार में केवल कुछ ही पन्ने पढ़ सकते हैं।

अधिकांश वर्तमान AI शेफ इस समस्या को हल करने के लिए "पास्ता" से मिलते-जुलते किसी एक व्यंजन को खोजने और उसकी नकल करने की कोशिश करते हैं। लेकिन यह अक्सर विफल हो जाता है क्योंकि ग्राहक को एक विशिष्ट प्रकार का पास्ता चाहिए हो सकता है, या रेसिपी में कोई महत्वपूर्ण चरण छूट सकता है जैसे "पहले पानी उबालें।"

TICoder एक नया, अधिक स्मार्ट तरीका है जो AI शेफ की मदद करता है। यह एक अत्यधिक संगठित 'सू शेफ' (सहायक शेफ) की तरह कार्य करता है जो केवल रेसिपी ही नहीं ढूंढता, बल्कि AI को भोजन की योजना बनाने और सामग्रियों का सही ढंग से उपयोग करना सीखने में भी मदद करता है। यह तीन सरल भागों में कैसे काम करता है, यहाँ दिया गया है:

1. "टेस्ट-ड्रिवन" प्लानिंग (स्वाद परीक्षण)

समस्या: जब AI ग्राहक के अस्पष्ट शब्दों से व्यंजन बनाने के चरणों की योजना बनाने की कोशिश करता है, तो वह अक्सर विवरण भूल जाता है। वह यह जांचना भूल सकता है कि पास्ता ग्लूटेन-मुक्त है या नहीं, या क्या सॉस को एक घंटे तक पकने की आवश्यकता है।

TICoder समाधान: AI द्वारा खाना बनाना शुरू करने से पहले, TICoder "टेस्ट टेस्ट" (टेस्ट केस) मांगता है। ये विशिष्ट निर्देश हैं: "सॉस तीखा होना चाहिए," या "पास्ता अल डेंटे (al dente) होना चाहिए।"

  • यह कैसे काम करता है: AI एक योजना तैयार करता है। फिर, एक "जज" (Judge) AI उस योजना और टेस्ट टेस्ट को देखता है। यदि योजना टेस्ट से मेल नहीं खाती (जैसे, "आप तीखापन भूल गए!"), तो जज उसे सुधार के लिए वापस भेज देता है।
  • परिणाम: AI इस "ड्राफ्ट, जज, फिक्स" चक्र को तब तक दोहराता रहता है जब तक कि योजना अपेक्षित परिणाम से पूरी तरह मेल न खा जाए। यह सुनिश्चित करता है कि AI निर्माण शुरू करने से पहले ठीक जानता है कि उसे क्या बनाना है।

2. "इम्प्लीमेंटेशन-अवेयर" पुन: उपयोग (सही उपकरण खोजना)

समस्या: एक बार जब AI के पास योजना होती है, तो उसे पुस्तकालय में मौजूद मौजूदा उपकरणों (फंक्शन्स) को खोजने की आवश्यकता होती है।

  • पुराना तरीका: AI एक ऐसे टूल को खोजता है जो सुनने में उसकी जरूरत जैसा लगता है। वह एक "सॉस मेकर" ढूंढ सकता है जो काम तो करता है, लेकिन वह गलत ताप का उपयोग करता है या बिना जरूरत के नमक डाल देता है। वह टूल को पकड़ तो लेता है लेकिन यह नहीं जानता कि उसका सही उपयोग कैसे किया जाए।
  • TICoder समाधान: TICoder टूल को दो तरीकों से देखता है:
    1. फंक्शन (कार्य): क्या यह सही काम करता है? (जैसे, "हाँ, यह सॉस बनाता है।")
    2. इम्प्लीमेंटेशन (कार्यान्वयन): क्या यह सही तरीके से काम करता है? (जैसे, "हाँ, यह 20 मिनट तक पकता है, ठीक वैसे ही जैसे हमें चाहिए।")
  • परिणाम: यह सटीक टूल ढूंढता है जो कार्य के विवरण और उसे करने के विशिष्ट तरीके, दोनों से मेल खाता है।

3. "यूसेज पैटर्न" चयन (उदाहरणों से सीखना)

समस्या: भले ही AI को सही टूल मिल जाए, लेकिन उसे इसे कैसे जोड़ना है, यह पता नहीं चल सकता है। कल्पना कीजिए कि आपको एक जटिल एस्प्रेसो मशीन मिल गई है लेकिन आपको यह नहीं पता कि लाटे (latte) बनाम कैपुचीनो के लिए कौन सा बटन दबाना है।

TICoder समाधान: TICोडर केवल AI को टूल ही नहीं देता; बल्कि वह AI को दिखाता है कि अन्य शेफों ने अतीत में ठीक उसी टूल का उपयोग कैसे किया था।

  • यह लाइब्रेरी में देखता है कि इस टूल का वास्तविक व्यंजनों में कैसे उपयोग किया गया था।
  • यह हजारों उदाहरणों में से छानबीन करता है ताकि सबसे अच्छे और सबसे सामान्य उपयोगों को खोजा जा सके (समान तरीकों को क्लस्टर करना) और भ्रमित करने वाले या अजीब उदाहरणों को हटाया जा सके।
  • परिणाम: AI को उस टूल का उपयोग करने के लिए एक "चीट शीट" मिलती है, जो शीर्ष 2 या 3 सर्वोत्तम तरीके दिखाती है, जिससे यह सुनिश्चित होता है कि अंतिम व्यंजन तैयार करते समय वह कोई गलती न करे।

अंतिम परिणाम

जब आप इन तीनों भागों को एक साथ रखते हैं:

  1. प्लानिंग: AI ठीक जानता है कि क्या करना है क्योंकि उसने "टेस्ट टेस्ट" के विरुद्ध अपने काम की जांच की है।
  2. रिट्रीवल (प्राप्ति): यह सटीक टूल ढूंढता है जो कार्य और विधि दोनों से मेल खाते हैं।
  3. रियूज (पुन: उपयोग): वह जानता है कि उन टूल्स का उपयोग कैसे करना है क्योंकि उसने वास्तविक उदाहरणों का अध्ययन किया है।

परिणाम: पेपर के प्रयोगों में, इस पद्धति ने AI को (कोड जेनरेट करने में) पिछले तरीकों की तुलना में बहुत बेहतर तरीके से खाना बनाना (कोड बनाना) सिखाया। इसने विभिन्न प्रकार के कोडिंग कार्यों और विभिन्न AI मॉडलों में सफलता दर में औसतन 11.52% का सुधार किया। अनिवार्य रूप से, TICoder एक भ्रमित AI को एक सटीक, सुव्यवस्थित और अनुभवी शेफ में बदल देता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💻 cs →