David Lo

Un nouveau système pour évaluer les vulnérabilités des logiciels à plusieurs niveaux.

Un aperçu des grands modèles de langage pour le codage et leur écosystème.

Cette étude évalue l'efficacité des LLM pour créer des tests unitaires.

De nouveaux modèles aident les développeurs, mais les attaques par porte dérobée posent de sérieux risques de sécurité.

Explorer des systèmes adaptatifs pour gérer les erreurs d'exécution en utilisant des modèles de langage large.

Une nouvelle méthode pour améliorer la précision des tags en utilisant des modèles pré-entraînés.

Examiner les problèmes de sécurité dans les mécanismes de retour d'expérience des utilisateurs pour les outils de génération de code.

Une nouvelle méthode pour améliorer la génération de code dans les modèles LLM4Code.

Un aperçu détaillé des changements majeurs et de leur impact sur les développeurs.

Cette étude compare différents LLM pour trouver des bugs et détecter des vulnérabilités dans les logiciels.

Découvre comment le fine-tuning efficace des paramètres améliore la détection des code smells avec les LLMs.

ACECode optimise le code généré par l'IA pour qu'il soit efficace et correct.