Buchumschlag

COAST: Enhancing the Code Debugging Ability of LLMs through Communicative Agent Based Data Synthesis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Weiqing, Wang, Hanbin, Liu, Zhenghao, Li, Xinze, Yan, Yukun, Wang, Shuo, Gu, Yu, Yu, Minghe, Liu, Zhiyuan, Yu, Ge
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

INTERVENOR: Prompting the Coding Ability of Large Language Models with the Interactive Chain of Repair
von: Wang, Hanbin, et al.
Veröffentlicht: (2023)

Teaching LLMs to Learn Tool Trialing and Execution through Environment Interaction
von: Gao, Xingjie, et al.
Veröffentlicht: (2026)

Building A Coding Assistant via the Retrieval-Augmented Language Model
von: Li, Xinze, et al.
Veröffentlicht: (2024)

Enhancing Long-Chain Reasoning Distillation through Error-Aware Self-Reflection
von: Wu, Zhuoyang, et al.
Veröffentlicht: (2025)

DebugTA: An LLM-Based Agent for Simplifying Debugging and Teaching in Programming Education
von: Fu, Lingyue, et al.
Veröffentlicht: (2025)

The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs
von: Adnan, Muntasir, et al.
Veröffentlicht: (2025)

Say More with Less: Understanding Prompt Learning Behaviors through Gist Compression
von: Li, Xinze, et al.
Veröffentlicht: (2024)

MemGovern: Enhancing Code Agents through Learning from Governed Human Experiences
von: Wang, Qihao, et al.
Veröffentlicht: (2026)

HIPPO: Enhancing the Table Understanding Capability of LLMs through Hybrid-Modal Preference Optimization
von: Wang, Haolan, et al.
Veröffentlicht: (2025)

LLM4FaaS: No-Code Application Development using LLMs and FaaS
von: Wang, Minghe, et al.
Veröffentlicht: (2025)

CodeReasoner: Enhancing the Code Reasoning Ability with Reinforcement Learning
von: Tang, Lingxiao, et al.
Veröffentlicht: (2025)

Enhancing Code Generation Performance of Smaller Models by Distilling the Reasoning Ability of LLMs
von: Sun, Zhihong, et al.
Veröffentlicht: (2024)

DePro: Understanding the Role of LLMs in Debugging Competitive Programming Code
von: Parvez, Nabiha, et al.
Veröffentlicht: (2026)

Debug2Fix: Can Interactive Debugging Help Coding Agents Fix More Bugs?
von: Garg, Spandan, et al.
Veröffentlicht: (2026)

From Code to Correctness: Closing the Last Mile of Code Generation with Hierarchical Debugging
von: Shi, Yuling, et al.
Veröffentlicht: (2024)

MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization
von: Xin, Haidong, et al.
Veröffentlicht: (2026)

Precise Debugging Benchmark: Is Your Model Debugging or Regenerating?
von: Zhu, Wang Bill, et al.
Veröffentlicht: (2026)

LeDex: Training LLMs to Better Self-Debug and Explain Code
von: Jiang, Nan, et al.
Veröffentlicht: (2024)

Guided Debugging of Auto-Translated Code Using Differential Testing
von: Wu, Shengnan, et al.
Veröffentlicht: (2025)

DebugBench: Evaluating Debugging Capability of Large Language Models
von: Tian, Runchu, et al.
Veröffentlicht: (2024)

Agent That Debugs: Dynamic State-Guided Vulnerability Repair
von: Liu, Zhengyao, et al.
Veröffentlicht: (2025)

Better Debugging: Combining Static Analysis and LLMs for Explainable Crashing Fault Localization
von: Yan, Jiwei, et al.
Veröffentlicht: (2024)

Sema Code: Decoupling AI Coding Agents into Programmable, Embeddable Infrastructure
von: Wang, Huacan, et al.
Veröffentlicht: (2026)

RankCoT: Refining Knowledge for Retrieval-Augmented Generation through Ranking Chain-of-Thoughts
von: Wu, Mingyan, et al.
Veröffentlicht: (2025)

Mitigating Judgment Preference Bias in Large Language Models through Group-Based Polling
von: Liu, Shuliang, et al.
Veröffentlicht: (2025)

APIRAT: Integrating Multi-source API Knowledge for Enhanced Code Translation with LLMs
von: Wang, Chaofan, et al.
Veröffentlicht: (2025)

CODESIM: Multi-Agent Code Generation and Problem Solving through Simulation-Driven Planning and Debugging
von: Islam, Md. Ashraful, et al.
Veröffentlicht: (2025)

Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency
von: Ashrafi, Nazmus, et al.
Veröffentlicht: (2025)

DebugHarness: Emulating Human Dynamic Debugging for Autonomous Program Repair
von: Sun, Maolin, et al.
Veröffentlicht: (2026)

RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models
von: Liu, Jingjing, et al.
Veröffentlicht: (2025)

Examining LLMs Ability to Summarize Code Through Mutation-Analysis
von: Khatib, Lara, et al.
Veröffentlicht: (2026)

DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems
von: Ma, Ming, et al.
Veröffentlicht: (2025)

AetherCode: Evaluating LLMs' Ability to Win In Premier Programming Competitions
von: Wang, Zihan, et al.
Veröffentlicht: (2025)

Revisit Self-Debugging with Self-Generated Tests for Code Generation
von: Chen, Xiancai, et al.
Veröffentlicht: (2025)

Towards Engineering Multi-Agent LLMs: A Protocol-Driven Approach
von: Mao, Zhenyu, et al.
Veröffentlicht: (2025)

CodeAgent: Enhancing Code Generation with Tool-Integrated Agent Systems for Real-World Repo-level Coding Challenges
von: Zhang, Kechi, et al.
Veröffentlicht: (2024)

DebugRepair: Enhancing LLM-Based Automated Program Repair via Self-Directed Debugging
von: Wu, Linhao, et al.
Veröffentlicht: (2026)

Code-Vision: Evaluating Multimodal LLMs Logic Understanding and Code Generation Capabilities
von: Wang, Hanbin, et al.
Veröffentlicht: (2025)

M2CVD: Enhancing Vulnerability Semantic through Multi-Model Collaboration for Code Vulnerability Detection
von: Wang, Ziliang, et al.
Veröffentlicht: (2024)

MEIC: Re-thinking RTL Debug Automation using LLMs
von: Xu, Ke, et al.
Veröffentlicht: (2024)