Este artículo propone un depurador multirresolución (MGDebugger) para superar las limitaciones de la generación de código basada en modelos de lenguaje a gran escala (LLM). MGDebugger aísla, identifica y resuelve errores en el código generado con diversos niveles de granularidad, desde errores sintácticos de bajo nivel hasta fallos algorítmicos de alto nivel. Descompone el código problemático en un árbol jerárquico de subfunciones, donde cada nivel representa un error con una granularidad específica. Mediante un ejecutor de Python basado en LLM, rastrea la ejecución de subfunciones y monitoriza el estado de las variables para identificar errores con precisión. La precisión y la eficiencia se mejoran mediante pruebas a nivel de subfunción y la resolución iterativa de errores de abajo a arriba. Los resultados experimentales con los conjuntos de datos HumanEval y HumanEvalFix demuestran su rendimiento superior en comparación con los sistemas de depuración existentes.
