.png){kind=icon}
返回
RELOPT: A Retriever-Augmented Framework for Optimizing Code with Long-Range Dependencies
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4367-0_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代码优化对于提升应用程序运行时性能至关重要，但传统方法过度依赖专家制定的规则，需要大量手动工作。尽管大型语言模型（LLMs）在多种代码相关任务中展现出潜力，但在优化具有长距离依赖关系的代码方面，其有效性仍有限制。这主要是因为识别分散的相关代码以及代码分析的固有复杂性所致。在本文中，我们介绍了ReLOpt，一种通过引入代码依赖感知检索器（CDR）来解决这些挑战的新框架。CDR能够实现距离无关的相关代码段检索，并提供领域特定的优化分析作为指导。为了评估ReLOpt，我们构建了OptiIR，一个可运行的代码优化数据集，该数据集包含输入/输出对以验证模型优化代码的正确性。实验表明，ReLOpt在仅通过OptiIR微调的基础模型上表现更优，BLEU分数相对提升了高达65.31%。我们已在https://github.com/ict-ql/ReLOpt上发布了所有代码和数据。
Keyword:
Code Optimization
Code Generation
NLP Applications
期刊
N
IF:
0
论文数:
28
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容