Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CodeSense: a Real-World Benchmark and Dataset for Code Semantic Reasoning

Created by
  • Haebom

저자

Monoshi Kumar Roy, Simin Chen, Benjamin Steenhoek, Jinjun Peng, Gail Kaiser, Baishakhi Ray, Wei Le

개요

본 논문은 실제 소프트웨어 엔지니어링(SE) 작업 해결 능력을 향상시키기 위해 코드 의미론을 이해하고 추론하는 것이 중요하다고 보고, 이를 위해 실제 코드의 소프트웨어 엔지니어링과 관련된 세분화된 코드 추론 작업 스펙트럼을 제공하는 최초의 벤치마크인 CodeSense를 제안합니다. 이 벤치마크는 실제 저장소에서 Python, C 및 Java 소프트웨어 프로젝트를 수집하고, 해당 테스트 실행 추적을 수집하여 세분화된 의미론적 추론 작업을 위한 ground truth 데이터 세트를 구축합니다. 또한 최첨단 LLM에 대한 포괄적인 평가를 수행하고, LLM의 세분화된 추론 작업 처리 능력에 대한 성능 격차를 보여줍니다. 본 논문은 벤치마크, 데이터 세트 및 평가 외에도 세분화된 SE 추론 작업을 위한 ground truth를 쉽게 수집할 수 있는 실행 추적 프레임워크와 도구 세트를 제공합니다.

시사점, 한계점

시사점:
실제 소프트웨어 엔지니어링 작업에 대한 LLM의 코드 추론 능력 평가를 위한 새로운 벤치마크(CodeSense) 제안.
세분화된 코드 추론 작업을 위한 실제 코드 기반 데이터 세트 구축.
최첨단 LLM의 성능 평가를 통해 모델의 한계점 제시.
실행 추적 프레임워크 및 도구 세트 제공으로 향후 벤치마크 구축 및 모델 학습에 기여.
한계점:
Chain-of-thought 및 in-context learning과 같은 프롬프팅 기법을 사용했음에도 불구하고 LLM의 근본적인 코드 의미론 부족으로 인한 성능 제한.
본 논문에서 제시된 성능 격차는 LLM의 코드 추론 능력 향상을 위한 추가 연구의 필요성을 시사함.
👍