본 논문은 코드 대규모 언어 모델(Code LLMs)의 실행시간 동작에 대한 추론 능력 부족과 의미 정보의 불일치 및 단편적인 표현 문제를 지적하며, 이러한 한계를 극복하기 위한 일반적인 프레임워크를 제시합니다. 이 프레임워크는 실행 추적과 같은 의미 정보를 코드 작업 관련 프롬프트에 통합하는 방식으로, 지도 학습 미세 조정(SFT) 및 추론 단계에서의 의미 정보 활용 효과를 연구합니다. 실험 결과는 기존 연구와 달리, 의미 정보가 SFT 및 Code LLM의 테스트 시간 확장에 제한적인 유용성을 가진다는 것을 보여줍니다.
