Cet article propose un débogueur multi-résolution (MGDebugger) pour surmonter les limitations de la génération de code basée sur des modèles de langage à grande échelle (LLM). MGDebugger isole, identifie et corrige les bogues dans le code généré à différents niveaux de granularité, allant des erreurs de syntaxe de bas niveau aux failles algorithmiques de haut niveau. Il décompose le code problématique en une arborescence hiérarchique de sous-fonctions, chaque niveau représentant une erreur à une granularité spécifique. Grâce à un exécuteur Python basé sur LLM, il trace l'exécution des sous-fonctions et surveille l'état des variables afin d'identifier précisément les erreurs. La précision et l'efficacité sont améliorées grâce à des tests au niveau des sous-fonctions et à une résolution itérative des bogues ascendante. Les résultats expérimentaux obtenus avec les jeux de données HumanEval et HumanEvalFix démontrent ses performances supérieures à celles des systèmes de débogage existants.
