Buchumschlag

Does the Order of Fine-tuning Matter and Why?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Qihong, Li, Jiawei, Suh, Hyunjae, Jiang, Lianghao, Zhou, Zheng, Chen, Jingze, Gesi, Jiri, Ahmed, Iftekhar
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond Self-learned Attention: Mitigating Attention Bias in Transformer-based Models Using Attention Guidance
von: Gesi, Jiri, et al.
Veröffentlicht: (2024)

An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We?
von: Suh, Hyunjae, et al.
Veröffentlicht: (2024)

Is Multi-Agent Debate (MAD) the Silver Bullet? An Empirical Analysis of MAD in Code Summarization and Translation
von: Chun, Jina, et al.
Veröffentlicht: (2025)

Human or LLM? A Comparative Study on Accessible Code Generation Capability
von: Suh, Hyunjae, et al.
Veröffentlicht: (2025)

From Bias To Improved Prompts: A Case Study of Bias Mitigation of Clone Detection Models
von: Chen, QiHong, et al.
Veröffentlicht: (2025)

Does Documentation Matter? An Empirical Study of Practitioners' Perspective on Open-Source Software Adoption
von: Imani, Aaron, et al.
Veröffentlicht: (2024)

A Deep Dive Into Large Language Model Code Generation Mistakes: What and Why?
von: Chen, QiHong, et al.
Veröffentlicht: (2024)

Consider What Humans Consider: Optimizing Commit Message Leveraging Contexts Considered By Human
von: Li, Jiawei, et al.
Veröffentlicht: (2025)

Optimization is Better than Generation: Optimizing Commit Message Leveraging Human-written Commit Message
von: Li, Jiawei, et al.
Veröffentlicht: (2025)

Improving Code Search with Hard Negative Sampling Based on Fine-tuning
von: Dong, Hande, et al.
Veröffentlicht: (2023)

Context Conquers Parameters: Outperforming Proprietary LLM in Commit Message Generation
von: Imani, Aaron, et al.
Veröffentlicht: (2024)

Inside Out: Uncovering How Comment Internalization Steers LLMs for Better or Worse
von: Imani, Aaron, et al.
Veröffentlicht: (2025)

Test Smell: A Parasitic Energy Consumer in Software Testing
von: Misu, Md Rakib Hossain, et al.
Veröffentlicht: (2023)

Investigating the Impact of Code Comment Inconsistency on Bug Introducing
von: Radmanesh, Shiva, et al.
Veröffentlicht: (2024)

A Large-scale Empirical Study on Fine-tuning Large Language Models for Unit Testing
von: Shang, Ye, et al.
Veröffentlicht: (2024)

What Makes a Great Software Quality Assurance Engineer?
von: Farias, Roselane Silva, et al.
Veröffentlicht: (2024)

LicenseGPT: A Fine-tuned Foundation Model for Publicly Available Dataset License Compliance
von: Tan, Jingwen, et al.
Veröffentlicht: (2024)

Why Does My Transaction Fail? A First Look at Failed Transactions on the Solana Blockchain
von: Zheng, Xiaoye, et al.
Veröffentlicht: (2025)

APPT: Boosting Automated Patch Correctness Prediction via Fine-tuning Pre-trained Models
von: Zhang, Quanjun, et al.
Veröffentlicht: (2023)

Does Using Bazel Help Speed Up Continuous Integration Builds?
von: Zheng, Shenyu, et al.
Veröffentlicht: (2024)

Prompting in the Wild: An Empirical Study of Prompt Evolution in Software Repositories
von: Tafreshipour, Mahan, et al.
Veröffentlicht: (2024)

SWE-Lego: Pushing the Limits of Supervised Fine-tuning for Software Issue Resolving
von: Tao, Chaofan, et al.
Veröffentlicht: (2026)

A Study to Evaluate the Impact of LoRA Fine-tuning on the Performance of Non-functional Requirements Classification
von: Li, Xia, et al.
Veröffentlicht: (2025)

A Framework for Devising, Evaluating and Fine-tuning Indoor Tracking Algorithms
von: Diallo, Alpha, et al.
Veröffentlicht: (2025)

It is Giving Major Satisfaction: Why Fairness Matters for Software Practitioners
von: Sesari, Emeralda, et al.
Veröffentlicht: (2024)

Manifestations of Empathy in Software Engineering: How, Why, and When It Matters
von: Gunatilake, Hashini, et al.
Veröffentlicht: (2025)

Improving the Robustness of Large Language Models for Code Tasks via Fine-tuning with Perturbed Data
von: Liu, Yang, et al.
Veröffentlicht: (2026)

MORepair: Teaching LLMs to Repair Code via Multi-Objective Fine-tuning
von: Yang, Boyang, et al.
Veröffentlicht: (2024)

Why Personalizing Deep Learning-Based Code Completion Tools Matters
von: Giagnorio, Alessandro, et al.
Veröffentlicht: (2025)

Which Prompting Technique Should I Use? An Empirical Investigation of Prompting Techniques for Software Engineering Tasks
von: Santana Jr, E. G., et al.
Veröffentlicht: (2025)

RAG or Fine-tuning? A Comparative Study on LCMs-based Code Completion in Industry
von: Wang, Chaozheng, et al.
Veröffentlicht: (2025)

Structure-aware Fine-tuning for Code Pre-trained Models
von: Wu, Jiayi, et al.
Veröffentlicht: (2024)

Your Instructions Are Not Always Helpful: Assessing the Efficacy of Instruction Fine-tuning for Software Vulnerability Detection
von: Yusuf, Imam Nur Bani, et al.
Veröffentlicht: (2024)

Does Programming Language Matter? An Empirical Study of Fuzzing Bug Detection
von: Shirai, Tatsuya, et al.
Veröffentlicht: (2026)

Beyond Output Correctness: Benchmarking and Evaluating Large Language Model Reasoning in Coding Tasks
von: Li, Yuangang, et al.
Veröffentlicht: (2026)

Why Software Signing (Still) Matters: Trust Boundaries in the Software Supply Chain
von: Kalu, Kelechi G., et al.
Veröffentlicht: (2025)

Beyond Verifiable Rewards: Rubric-Based GRM for Reinforced Fine-Tuning SWE Agents
von: Huang, Jiawei, et al.
Veröffentlicht: (2026)

Does the First Response Matter for Future Contributions? A Study of First Contributions
von: Assavakamhaenghan, Noppadol, et al.
Veröffentlicht: (2021)

Does the Tool Matter? Exploring Some Causes of Threats to Validity in Mining Software Repositories
von: Hoess, Nicole, et al.
Veröffentlicht: (2025)

Devstral: Fine-tuning Language Models for Coding Agent Applications
von: Rastogi, Abhinav, et al.
Veröffentlicht: (2025)