Buchumschlag

AMR-Evol: Adaptive Modular Response Evolution Elicits Better Knowledge Distillation for Large Language Models in Code Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Ziyang, Li, Xin, Lin, Hongzhan, Ma, Jing, Bing, Lidong
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Artificial Intelligence Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CodeJudge-Eval: Can Large Language Models be Good Judges in Code Understanding?
von: Zhao, Yuwei, et al.
Veröffentlicht: (2024)

Modularization is Better: Effective Code Generation with Modular Prompting
von: Pan, Ruwei, et al.
Veröffentlicht: (2025)

Fixing Large Language Models' Specification Misunderstanding for Better Code Generation
von: Tian, Zhao, et al.
Veröffentlicht: (2023)

Smaller but Better: Self-Paced Knowledge Distillation for Lightweight yet Effective LCMs
von: Chen, Yujia, et al.
Veröffentlicht: (2024)

From Evaluation to Enhancement: Large Language Models for Zero-Knowledge Proof Code Generation
von: Xue, Zhantong, et al.
Veröffentlicht: (2025)

SolEval: Benchmarking Large Language Models for Repository-level Solidity Code Generation
von: Peng, Zhiyuan, et al.
Veröffentlicht: (2025)

MMCode: Benchmarking Multimodal Large Language Models for Code Generation with Visually Rich Programming Problems
von: Li, Kaixin, et al.
Veröffentlicht: (2024)

Bridging Code Graphs and Large Language Models for Better Code Understanding
von: Chen, Zeqi, et al.
Veröffentlicht: (2025)

An Empirical Study of Knowledge Distillation for Code Understanding Tasks
von: Wang, Ruiqi, et al.
Veröffentlicht: (2025)

Using Large Language Models to Develop Requirements Elicitation Skills
von: Lojo, Nelson, et al.
Veröffentlicht: (2025)

DistillSeq: A Framework for Safety Alignment Testing in Large Language Models using Knowledge Distillation
von: Yang, Mingke, et al.
Veröffentlicht: (2024)

Tracking the Evolution of Static Code Warnings: the State-of-the-Art and a Better Approach
von: Li, Junjie, et al.
Veröffentlicht: (2022)

GramTrans: A Better Code Representation Approach in Code Generation
von: Zhang, Zhao, et al.
Veröffentlicht: (2025)

Towards Better Correctness and Efficiency in Code Generation
von: Feng, Yunlong, et al.
Veröffentlicht: (2025)

A Preliminary Study on the Robustness of Code Generation by Large Language Models
von: Li, Zike, et al.
Veröffentlicht: (2025)

Where Is Self-admitted Code Generated by Large Language Models on GitHub?
von: Yu, Xiao, et al.
Veröffentlicht: (2024)

On the Effectiveness of Large Language Models in Domain-Specific Code Generation
von: Gu, Xiaodong, et al.
Veröffentlicht: (2023)

AKD : Adversarial Knowledge Distillation For Large Language Models Alignment on Coding tasks
von: Oulkadda, Ilyas, et al.
Veröffentlicht: (2025)

Knowledge-Aware Code Generation with Large Language Models
von: Huang, Tao, et al.
Veröffentlicht: (2024)

A Survey of Large Language Models for Code: Evolution, Benchmarking, and Future Trends
von: Zheng, Zibin, et al.
Veröffentlicht: (2023)

A Survey on Evaluating Large Language Models in Code Generation Tasks
von: Chen, Liguo, et al.
Veröffentlicht: (2024)

Towards Understanding the Characteristics of Code Generation Errors Made by Large Language Models
von: Wang, Zhijie, et al.
Veröffentlicht: (2024)

Improving the Learning of Code Review Successive Tasks with Cross-Task Knowledge Distillation
von: Sghaier, Oussama Ben, et al.
Veröffentlicht: (2024)

PseudoBridge: Pseudo Code as the Bridge for Better Semantic and Logic Alignment in Code Retrieval
von: Li, Yixuan, et al.
Veröffentlicht: (2025)

Can Large Language Models Generate Geospatial Code?
von: Hou, Shuyang, et al.
Veröffentlicht: (2024)

Large Language Models for Code Generation: The Practitioners Perspective
von: Rasheed, Zeeshan, et al.
Veröffentlicht: (2025)

Optimizing Large Language Model Hyperparameters for Code Generation
von: Arora, Chetan, et al.
Veröffentlicht: (2024)

Aligning Requirement for Large Language Model's Code Generation
von: Tian, Zhao, et al.
Veröffentlicht: (2025)

Self-planning Code Generation with Large Language Models
von: Jiang, Xue, et al.
Veröffentlicht: (2023)

Uncovering Weaknesses in Neural Code Generation
von: Lian, Xiaoli, et al.
Veröffentlicht: (2024)

Automated Proof Generation for Rust Code via Self-Evolution
von: Chen, Tianyu, et al.
Veröffentlicht: (2024)

Three Heads Are Better Than One: A Multi-perspective Reasoning Framework for Enhanced Vulnerability Detection
von: Peng, Xin, et al.
Veröffentlicht: (2026)

Eliciting Instruction-tuned Code Language Models' Capabilities to Utilize Auxiliary Function for Code Generation
von: Lee, Seonghyeon, et al.
Veröffentlicht: (2024)

VFocus: Better Verilog Generation from Large Language Model via Focused Reasoning
von: Zhao, Zhuorui, et al.
Veröffentlicht: (2025)

Exploring Requirements Elicitation from App Store User Reviews Using Large Language Models
von: Ghosh, Tanmai Kumar, et al.
Veröffentlicht: (2024)

Repository Structure-Aware Training Makes SLMs Better Issue Resolver
von: Ma, Zexiong, et al.
Veröffentlicht: (2024)

LEANCODE: Understanding Models Better for Code Simplification of Pre-trained Large Language Models
von: Wang, Yan, et al.
Veröffentlicht: (2025)

Clean Code, Better Models: Enhancing LLM Performance with Smell-Cleaned Dataset
von: Xue, Zhipeng, et al.
Veröffentlicht: (2025)

Predicting Developer Acceptance of AI-Generated Code Suggestions
von: Jiang, Jing, et al.
Veröffentlicht: (2026)

Task Abstention for Large Language Models in Code Generation
von: Zhou, Yanke, et al.
Veröffentlicht: (2026)