每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成,并以非盈利为基础运营。
论文版权归作者及相关机构所有,分享时请注明出处。

最后的依赖项征程:使用 LLM 解决 Python 依赖项冲突

Created by
  • Haebom

作者

安东尼·巴特利特、辛西娅·林、安尼巴莱·帕尼切拉

大纲

本文提出了 PLLM(发音为“plum”),这是一种利用大规模语言模型 (LLM) 解决 Python 依赖关系问题的创新方法。PLLM 使用搜索增强生成 (RAG) 方法迭代推断缺失或不正确的依赖关系。LLM 构建了一个测试环境,通过建议模块组合、观察执行反馈以及使用自然语言处理 (NLP) 解析错误消息来改进预测。我们使用 Gistable HG2.9K 数据集对 PLLM 进行了评估,其中使用 RAG 的 Gemma-2 9B 取得了最佳性能。PLLM 的修复率显著高于 PyEGo 和 ReadPyE 等现有解决方案。

Takeaways, Limitations

Takeaways:
我们利用 RAG 方法提高了 LLM 的 Python 依赖问题解决技能。
我们评估了各种开源 LLM 的性能,包括 Gemma-2 9B。
实现了比现有解决方案更高的依赖性解决率。
这对于使用大量依赖项和专用库的项目尤其有效。
Limitations:
论文未具体说明Limitations。(仅根据摘要中提供的信息很难确定Limitations。)
👍