paperbot · PL 论文追踪

全部论文 待读 收藏

P2 On-the-Fly Input Adaptation for Reliable Code Intelligence

面向可靠代码智能的即时输入适配
ICSE Proceedings of the IEEE/ACM 48th International Conference on Software Engineering2026匹配度 3/10 · 论文关注代码语言模型预测可靠性的即时输入适配，属于代码智能与机器学习交叉方向，但既不涉及静态分析/形式化验证，也不涉及 LLM/Agent 在程序分析中的应用，更偏向改进模型本身的鲁棒性（用户明确表示对以提升 LLM 能力为目标的研究不感兴趣）。引用 0 inbox
Ravishka Rathnasuriya, Wei Yang
机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：提出即时输入适配，以低开销提升代码语言模型预测可靠性，避免重训练、改架构或重写提示。

代码语言模型在生成与分类等软件工程任务中发挥核心作用，但即便使用最新数据训练，在真实应用中仍会出现明显误预测。现有应对方式包括重新训练模型、修改模型架构或重新设计提示，这些方法计算开销高，需要大量数据标注、模型更新与重新部署，且常存在跨任务泛化差、跨模型调参不稳定等问题。本文提出“即时输入适配”（On-the-Fly Input Adaptation），试图在推理阶段对输入进行动态调整，从而在不重训练、不改架构和不重写提示的前提下提高代码智能的可靠性。摘要主要阐述问题与动机，未给出具体方法细节、实验设置或量化结果；因此其评估方式与效果仍需查阅正文确认。

问题
代码语言模型在真实软件工程任务中仍存在显著误预测，而重训练、修改架构、重写提示等修复手段成本高且泛化与稳定性差。
方法
提出即时输入适配：在推理阶段动态调整输入，避免重训练、修改模型架构或重新设计提示。
评估
摘要未描述具体评估方式与结果；从问题定位看，应围绕代码生成/分类等任务的预测可靠性与适配开销进行验证，但本文摘要未报告。
原文摘要（Abstract）

Code language models (CLMs) play a central role in software engineering across both generation and classification tasks. However, these models still exhibit notable mispredictions in real-world applications, even when trained on up-to-date data. Existing solutions address this by retraining the model, modifying its architecture, or re-engineering prompts. These approaches incur high computational cost requiring substantial effort in data labeling, model updates, and redeployment, and often suffer from poor generalization across tasks and tuning instability across models.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11985,
  title = {On-the-Fly Input Adaptation for Reliable Code Intelligence},
  author = {Ravishka Rathnasuriya and Wei Yang},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3786582.3786844}
}