यह शोधपत्र बड़े पैमाने के भाषा मॉडल (LLM) पर आधारित कोड निर्माण की सीमाओं को दूर करने के लिए एक बहु-रिज़ॉल्यूशन डीबगर (MGDebugger) का प्रस्ताव करता है। MGDebugger, उत्पन्न कोड में निम्न-स्तरीय वाक्यविन्यास त्रुटियों से लेकर उच्च-स्तरीय एल्गोरिथम संबंधी खामियों तक, विभिन्न स्तरों पर त्रुटियों को अलग करता है, उनकी पहचान करता है और उनका समाधान करता है। यह समस्याग्रस्त कोड को उप-कार्यों के एक पदानुक्रमित वृक्ष में विघटित करता है, जहाँ प्रत्येक स्तर एक विशिष्ट स्तर पर एक त्रुटि दर्शाता है। LLM-आधारित पायथन निष्पादक का उपयोग करते हुए, यह उप-कार्यों के निष्पादन का पता लगाता है और त्रुटियों की सटीक पहचान के लिए परिवर्तनशील स्थितियों की निगरानी करता है। उप-कार्य-स्तरीय परीक्षण और बॉटम-अप, पुनरावृत्तीय बग समाधान के माध्यम से सटीकता और दक्षता में सुधार होता है। HumanEval और HumanEvalFix डेटासेट का उपयोग करके प्राप्त प्रायोगिक परिणाम मौजूदा डीबगिंग प्रणालियों की तुलना में इसके बेहतर प्रदर्शन को प्रदर्शित करते हैं।
