Jie M. Zhang

Ce papier évalue l'efficacité du code généré à partir de différents modèles.

Une étude sur le partage, l'entretien et la qualité des artefacts de recherche en logiciel.

AID utilise des LLMs et des tests différentiels pour améliorer la détection de bugs dans les logiciels.

Une nouvelle approche améliore la performance du code généré par des grands modèles de langage.

Cette étude évalue comment les LLM peuvent améliorer les tests de mutation dans le développement logiciel.

Une étude révèle comment le code défectueux affecte la qualité des cas de test des LLM.

Explorer le lien entre les traits de personnalité et l'efficacité de la génération de code avec les LLMs.

Un nouveau cadre vise à révéler les biais dans les scénarios de jeu de rôle des modèles de langage.

Apprends comment la mutation des données peut améliorer l'équité dans les systèmes d'apprentissage automatique.