Derniers articles pour Développement de logiciels

Gillian-Rust propose une nouvelle façon de vérifier efficacement le code Rust dangereux.

Apprends à ajuster les LLM pour les besoins uniques des entreprises grâce au fine tuning.

Une étude sur comment les équipes utilisent des personas pour améliorer la conception de logiciels.

Explorer l'impact des LLM sur les pratiques de développement de logiciels.

Un nouveau logiciel facilite l'identification des protéines à répétitions tandems structurées.

Les fonctionnalités locales améliorent la personnalisation et l’efficacité dans le développement de lignes de produits logiciels.

Un outil pour évaluer la fiabilité de ChatGPT parmi les développeurs de logiciels.

Cet article explique comment les développeurs choisissent des bibliothèques logicielles et propose des idées pour s'améliorer.

Une étude révèle comment l'architecture Zen+ d'AMD exécute les instructions pour une meilleure optimisation des logiciels.

Découvrez comment la métrique MESIA améliore la qualité des commentaires de code.

Une nouvelle approche automatisée améliore l'efficacité pour corriger les bugs logiciels.

Un aperçu de comment le DRM améliore l'allocation des ressources en informatique.

Ce papier examine les facteurs clés qui affectent la lisibilité du code de test pour une meilleure maintenance du logiciel.

Raptor améliore la planification des fonctions sans serveur pour des applis plus rapides et plus fiables.

Un cadre pour générer des dépôts de code en utilisant des exigences linguistiques simples.

Découvrez les grandes découvertes et outils dans la communauté DevOps.

Une nouvelle méthode améliore la génération de code en s'appuyant sur le contexte spécifique au projet et les retours du compilateur.

Un système de poignées améliore la gestion de la mémoire et réduit la fragmentation dans les langages non gérés.

TGMM simplifie la détection de code similaire à travers plusieurs langages de programmation.

Stratégies pour réduire la latence de démarrage à froid dans les applications sans serveur.

Nouvelles approches pour améliorer la clarté et réduire les problèmes dans les exigences logicielles.

Analyser des projets divers utilisant ChatGPT depuis GitHub.

De nouveaux repères révèlent les forces et les faiblesses des modèles de langage de codage.

Combiner des commentaires en langage naturel et la structure du code améliore la détection des vulnérabilités.

De nouvelles techniques améliorent la vérification de la gestion de mémoire dans les programmes informatiques.

Une nouvelle méthode améliore la résolution d'équations linéaires entières en utilisant des automates et de l'algèbre.

La certification des réseaux de neurones garantit leur sécurité et leur fiabilité dans des applications critiques.

Une nouvelle méthode pour confirmer l'intégrité SQL basée sur des règles OCL.

Un outil pour analyser les problèmes de mémoire dans le code C.

Cette étude examine comment les méthodes bayésiennes peuvent améliorer les systèmes de détection de malware.

Un aperçu des protocoles de communication dans les systèmes distribués en se concentrant sur les protocoles de diffusion non-bloquants en attente seulement.

Une nouvelle méthode améliore la compilation des programmes, produisant des fichiers de sortie plus petits en utilisant des données passées.

CoderUJB évalue la performance des LLM dans des tâches de programmation Java dans le monde réel.

La programmation en assembleur rencontre la compétition alors que les survivants se battent dans CodeGuru Xtreme.

Un nouveau benchmark évalue la performance des modèles de langage pour comprendre les transcriptions de réunions.

Découvre l'importance de la programmation sensible aux coûts pour optimiser la gestion des ressources.

Une étude révèle des vulnérabilités dans des logiciels de gestion de mots de passe populaires.

Une étude sur comment les grands modèles de langage peuvent améliorer la détection des vulnérabilités dans les logiciels.

Cet article parle de la nécessité d'un meilleur benchmarking dans la recherche sur le traitement des graphes.

FT2Ra améliore l'efficacité de la complétion de code grâce à des méthodes de récupération sans avoir besoin de réentraîner entièrement le modèle.