返回
ICAM-Trans: Implicit-Context-Aware Multi-Agent Framework for Function-Level Code Translation
DOI:10.1145/3810952.png)
摘要
En 中文
随着大型语言模型(LLMs)的快速发展,代码翻译已成为软件工程中一项关键且具有挑战性的任务。现有对该任务的评估因两个关键局限性而不可靠:缺乏专门的功能级代码翻译基准和存在缺陷的评估流程。具体而言,当前流程缺乏后处理机制以从LLMs本身不稳定的输出格式中提取目标代码,直接导致无法执行的翻译结果和评估中的假阴性。为解决这些问题,我们引入FuncTransEval,一个增强的多语言基准。它包含四种编程语言(Python、C++、Java和JavaScript)的400×4个函数和12组双向翻译对,每组均配有可执行单元测试以进行细粒度功能验证。利用FuncTransEval,我们系统地评估了LLMs在代码翻译中的真实能力,并识别其核心局限性:对隐式信息(如函数逻辑、类型规范和跨语言差异)的理解不足。为缓解这些缺陷,我们提出ICAM-Trans(面向隐式上下文的多智能体框架,用于功能级代码翻译)。ICAM-Trans是一种分层、自主的多智能体架构,在翻译过程中显式地揭示并利用这些隐式上下文信息。它采用一个翻译协调智能体(TOA)来自主协调四个专门化的上下文分析智能体(CAAs),这些智能体对各个方面进行翻译前分析。这些分析的结果指导一个上下文感知翻译智能体(CTA)生成语义忠实的目标代码。在FuncTransEval上的实验表明,ICAM-Trans持续优于强大的基线模型,验证了其在实现高保真度和可解释的功能级代码翻译中的有效性。
期刊
A
IF:
6.2
论文数:
1.4K
被引数:
4.5K
机构
引用论文
CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and GenerationCodeT5: 用于代码理解和生成的标识符感知的统一预训练编码器-解码器模型

