知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具

来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231129_9591580.4937001173529475.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_0562290.68901758962482.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231129_9755990.409358433727501.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1012470.7479831914516097.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231129_9674360.8575505102185361.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1386240.01150044491592972.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231129_9863280.5890456606577681.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1862770.6729119230535658.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231129_9801100.6073829757815801.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1802290.02771234105210607.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_0257990.08382087151220297.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1831850.8135922311604251.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_0552540.48348717114000206.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_1890090.09885897823521517.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_0649160.9206067086012154.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_2092210.4334911990425371.jpeg)

arXiv论文

RAG

软件开发来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_0608500.743301673739459.jpeg)

HuggingAI

2024-03-20 07:43

Repoformer，一种专为仓库级别代码补全设计的选择性检索技术，旨在提升代码补全任务的效果和精准度。 随着 RAG 技术的最新突破，代码库级别的代码补全步入了一个崭新时代。然而，现行方法中固化的检索机制导致了效率与鲁棒性双重困境，许多检索到的上下文对 code LMs 来说并无裨益，甚至产生负面影响。为此，本论文提出一种创新的选择性 RAG 架构，能够在无需检索的情况下灵活规避这一过程。为支持这一架构的有效运作，我们开发了一种自我监督学习策略，让 code LM 能够精准自评检索对其输出质量的改善效果，并可靠地利用可能存在噪音的检索内容。利用这种兼具选择性检索策略与生成模型功能的 LM，我们的框架在RepoEval、CrossCodeEval等多个基准测试以及一个全新基准上均超越了基于固定检索方式的当前最优提示技术。此外，我们的选择性检索方案还带来了显著的效率提升，最高可达70%的推理加速，且性能不受损害。实验证明，无论是在何种生成模型、检索器还是编程语言环境下，我们的框架都能出色适应并发挥效用。以上成就标志着我们在构建更为精确高效代码库级别代码补全工具的道路上迈出了重要的一步。 原文链接:[\[2403.10059\] Repoformer: Selective Retrieval for R...](https://arxiv.org/abs/2403.10059 "[2403.10059] Repoformer: Selective Retrieval for R...") #arXiv论文# #RAG# #软件开发#

展开全部

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231130_2431070.5399333380026862.jpeg)

arXiv论文

RAG

软件开发