Los puntos clave no están disponibles para este artículo en este momento.
Los comentarios del código son cruciales para obtener información profunda que facilite la comprensión del código. La clave para obtener estos conocimientos radica en resumir con precisión el propósito principal del código. Los enfoques recientes sobre la generación de comentarios de código se basan en incitar a grandes modelos de lenguaje (LLMs) como ChatGPT, en lugar de entrenar o ajustar modelos específicos. Aunque ChatGPT demuestra un rendimiento impresionante en la comprensión de código, aún enfrenta desafíos de robustez al producir comentarios de código de alta calidad de manera consistente. Esto se debe a que ChatGPT prioriza la semántica de los tokens de código, lo que lo hace vulnerable a perturbaciones benignas comúnmente encontradas, como los reemplazos de nombres de variables. Este estudio propone un paradigma de prompting modular, Perthept, para mitigar de manera efectiva los efectos negativos causados por tales perturbaciones menores. Perthept mejora iterativamente la profundidad del razonamiento para alcanzar el propósito principal del código. Perthept demuestra robustez en el escenario donde hay estocasticidad o falta de fiabilidad en las respuestas de ChatGPT. Realizamos una evaluación completa en cuatro conjuntos de datos públicos para mostrar la mejora consistente de robustez con nuestra metodología propuesta sobre otros modelos.
Wang et al. (Vier,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: