본 논문은 대규모 언어 모델(LLM)이 생성한 코드의 테스트 통과율을 향상시키기 위해 개발된 Multi-Granularity Debugger (MGDebugger)를 소개한다. MGDebugger는 복잡한 문제에 대해 생성된 코드의 미묘한 오류를 해결하는 데 중점을 둔다. 특히, 저수준 구문 오류부터 고수준 알고리즘 결함까지 다양한 수준의 오류를 해결하기 위해 코드를 하위 함수의 계층적 트리 구조로 분해한다. MGDebugger는 하위 함수를 분석하고, LLM 시뮬레이션 Python 실행기를 사용하여 각 하위 함수를 효과적으로 테스트하며, bottom-up 방식으로 오류를 반복적으로 해결한다. HumanEval 및 HumanEvalFix 데이터셋에 대한 실험 결과, MGDebugger는 기존 디버깅 시스템보다 높은 정확도와 수리 성공률을 달성했으며, 다양한 오류 범주와 난이도에서 효과적으로 버그를 수정하는 능력을 보여주었다.
