.png){kind=icon}
返回
How efficient is your clone? Evaluating LLM capabilities for runtime and memory-aware code selection
.png){kind=icon}
OA
AI
DOI：10.1016/j.jss.2026.112973.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 在CodeNet和CLBG上跨Python、Java和C的执行无关评估。 • Code+feature提示比编码器基线更能提升解码器LLMs。 • LoRA带来选择性增益；语言-方面效应仍依赖上下文。 • Top-1、MRR和eGap揭示了超越通常饱和的Top-3的权衡。
Keyword:
Large Language Models (LLMs)
Execution-free code selection
Functionally equivalent implementations
Runtime-aware code analysis
Memory-aware code analysis
Code efficiency
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
5.4K
被引数:
8.4K
机构
引用论文
An empirical study on the impact of code duplication-aware refactoring practices on quality metrics
.png){kind=icon}
PREAI
分享收藏HumanEvalComm: Benchmarking the Communication Competence of Code Generation for LLMs and LLM AgentHumanEvalComm: 评估LLMs和LLM智能体代码生成中的沟通能力基准
PREAI
分享收藏An Empirical Evaluation of Using Large Language Models for Automated Unit Test Generation使用大型语言模型进行自动单元测试生成的经验评估
OAAI
OAAI分享收藏分享收藏
查看更多内容