HackerRank-ASTRA: Evaluating Correctness & Consistency of Large Language Models on cross-domain multi-file project problems
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Xing, Jun, Bhatia, Mayur, Phulwani, Sahil, Suresh, Darshan, Matta, Rafik |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
An abstraction for solving multi-domain problems using finite element methods
par: Sagiyama, Koki, et autres
Publié: (2025)
par: Sagiyama, Koki, et autres
Publié: (2025)
GrowthHacker: Automated Off-Policy Evaluation Optimization Using Code-Modifying LLM Agents
par: Wu, Jie JW, et autres
Publié: (2025)
par: Wu, Jie JW, et autres
Publié: (2025)
Social Media Reactions to Open Source Promotions: AI-Powered GitHub Projects on Hacker News
par: Meakpaiboonwattana, Prachnachai, et autres
Publié: (2025)
par: Meakpaiboonwattana, Prachnachai, et autres
Publié: (2025)
ASTRA: Autonomous Spatial-Temporal Red-teaming for AI Software Assistants
par: Xu, Xiangzhe, et autres
Publié: (2025)
par: Xu, Xiangzhe, et autres
Publié: (2025)
MathDuels: Evaluating LLMs as Problem Posers and Solvers
par: Xu, Zhiqiu, et autres
Publié: (2026)
par: Xu, Zhiqiu, et autres
Publié: (2026)
Hackers or Hallucinators? A Comprehensive Analysis of LLM-Based Automated Penetration Testing
par: Peng, Jiaren, et autres
Publié: (2026)
par: Peng, Jiaren, et autres
Publié: (2026)
MCeT: Behavioral Model Correctness Evaluation using Large Language Models
par: Ahmed, Khaled, et autres
Publié: (2025)
par: Ahmed, Khaled, et autres
Publié: (2025)
CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions
par: Shi, Jingwei, et autres
Publié: (2026)
par: Shi, Jingwei, et autres
Publié: (2026)
Using a Feedback Loop for LLM-based Infrastructure as Code Generation
par: Palavalli, Mayur Amarnath, et autres
Publié: (2024)
par: Palavalli, Mayur Amarnath, et autres
Publié: (2024)
Holistic Evaluation of State-of-the-Art LLMs for Code Generation
par: Zhang, Le, et autres
Publié: (2025)
par: Zhang, Le, et autres
Publié: (2025)
SweRank+: Multilingual, Multi-Turn Code Ranking for Software Issue Localization
par: Reddy, Revanth Gangi, et autres
Publié: (2025)
par: Reddy, Revanth Gangi, et autres
Publié: (2025)
A novel instance‐based method for cross‐project just‐in‐time defect prediction
par: Xiaoyan Zhu, et autres
Publié: (2024)
par: Xiaoyan Zhu, et autres
Publié: (2024)
Component Matching Approach in Linking Business and Application Architecture
par: Kamath, Suresh
Publié: (2024)
par: Kamath, Suresh
Publié: (2024)
Component Matching as a Graph Matching Problem
par: Kamath, Suresh
Publié: (2024)
par: Kamath, Suresh
Publié: (2024)
Program Structure Aware Precondition Generation
par: Dinella, Elizabeth, et autres
Publié: (2023)
par: Dinella, Elizabeth, et autres
Publié: (2023)
Conditional Execution of Transpiler Passes Based on Per-Script Feature Detection
par: Bhatia, Rishipal Singh
Publié: (2026)
par: Bhatia, Rishipal Singh
Publié: (2026)
Statistical Confidence in Functional Correctness: An Approach for AI Product Functional Correctness Evaluation
par: Albertini, Wallace, et autres
Publié: (2026)
par: Albertini, Wallace, et autres
Publié: (2026)
SweRank: Software Issue Localization with Code Ranking
par: Reddy, Revanth Gangi, et autres
Publié: (2025)
par: Reddy, Revanth Gangi, et autres
Publié: (2025)
ScalerEval: Automated and Consistent Evaluation Testbed for Auto-scalers in Microservices
par: Xie, Shuaiyu, et autres
Publié: (2025)
par: Xie, Shuaiyu, et autres
Publié: (2025)
Assessing Coherency and Consistency of Code Execution Reasoning by Large Language Models
par: Liu, Changshu, et autres
Publié: (2025)
par: Liu, Changshu, et autres
Publié: (2025)
Assessing and Advancing Benchmarks for Evaluating Large Language Models in Software Engineering Tasks
par: Hu, Xing, et autres
Publié: (2025)
par: Hu, Xing, et autres
Publié: (2025)
EvaluateXAI: A Framework to Evaluate the Reliability and Consistency of Rule-based XAI Techniques for Software Analytics Tasks
par: Awal, Md Abdul, et autres
Publié: (2024)
par: Awal, Md Abdul, et autres
Publié: (2024)
Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
par: Shi, Wenxuan, et autres
Publié: (2024)
par: Shi, Wenxuan, et autres
Publié: (2024)
IRIS: LLM-Assisted Static Analysis for Detecting Security Vulnerabilities
par: Li, Ziyang, et autres
Publié: (2024)
par: Li, Ziyang, et autres
Publié: (2024)
Benchmarking Reward Hack Detection in Code Environments via Contrastive Analysis
par: Deshpande, Darshan, et autres
Publié: (2026)
par: Deshpande, Darshan, et autres
Publié: (2026)
Understanding the Effectiveness of Large Language Models in Detecting Security Vulnerabilities
par: Khare, Avishree, et autres
Publié: (2023)
par: Khare, Avishree, et autres
Publié: (2023)
Testing and Evaluation of Large Language Models: Correctness, Non-Toxicity, and Fairness
par: Wang, Wenxuan
Publié: (2024)
par: Wang, Wenxuan
Publié: (2024)
Calibration and Correctness of Language Models for Code
par: Spiess, Claudio, et autres
Publié: (2024)
par: Spiess, Claudio, et autres
Publié: (2024)
Lightweight Model Editing for LLMs to Correct Deprecated API Recommendations
par: Lin, Guancheng, et autres
Publié: (2025)
par: Lin, Guancheng, et autres
Publié: (2025)
Evaluating LLMs Effectiveness in Detecting and Correcting Test Smells: An Empirical Study
par: Santana Jr, E. G., et autres
Publié: (2025)
par: Santana Jr, E. G., et autres
Publié: (2025)
ConAIR:Consistency-Augmented Iterative Interaction Framework to Enhance the Reliability of Code Generation
par: Dong, Jinhao, et autres
Publié: (2024)
par: Dong, Jinhao, et autres
Publié: (2024)
Analyzing the Instability of Large Language Models in Automated Bug Injection and Correction
par: Er, Mehmet Bilal, et autres
Publié: (2025)
par: Er, Mehmet Bilal, et autres
Publié: (2025)
ATime-Consistent Benchmark for Repository-Level Software Engineering Evaluation
par: Xianpeng, et autres
Publié: (2026)
par: Xianpeng, et autres
Publié: (2026)
An Empirical Study of Self-Admitted Technical Debt in Machine Learning Software
par: Bhatia, Aaditya, et autres
Publié: (2023)
par: Bhatia, Aaditya, et autres
Publié: (2023)
SemGuard: Real-Time Semantic Evaluator for Correcting LLM-Generated Code
par: Wang, Qinglin, et autres
Publié: (2025)
par: Wang, Qinglin, et autres
Publié: (2025)
Evaluating Robustness of Large Language Models in Enterprise Applications: Benchmarks for Perturbation Consistency Across Formats and Languages
par: Bogavelli, Tara, et autres
Publié: (2026)
par: Bogavelli, Tara, et autres
Publié: (2026)
Towards Richer Challenge Problems for Scientific Computing Correctness
par: Sottile, Matthew, et autres
Publié: (2025)
par: Sottile, Matthew, et autres
Publié: (2025)
Verify Implementation Equivalence of Large Models
par: Zhan, Qi, et autres
Publié: (2026)
par: Zhan, Qi, et autres
Publié: (2026)
Where's the Bug? Attention Probing for Scalable Fault Localization
par: Stein, Adam, et autres
Publié: (2025)
par: Stein, Adam, et autres
Publié: (2025)
Mutation-based Consistency Testing for Evaluating the Code Understanding Capability of LLMs
par: Li, Ziyu, et autres
Publié: (2024)
par: Li, Ziyu, et autres
Publié: (2024)
Documents similaires
-
An abstraction for solving multi-domain problems using finite element methods
par: Sagiyama, Koki, et autres
Publié: (2025) -
GrowthHacker: Automated Off-Policy Evaluation Optimization Using Code-Modifying LLM Agents
par: Wu, Jie JW, et autres
Publié: (2025) -
Social Media Reactions to Open Source Promotions: AI-Powered GitHub Projects on Hacker News
par: Meakpaiboonwattana, Prachnachai, et autres
Publié: (2025) -
ASTRA: Autonomous Spatial-Temporal Red-teaming for AI Software Assistants
par: Xu, Xiangzhe, et autres
Publié: (2025) -
MathDuels: Evaluating LLMs as Problem Posers and Solvers
par: Xu, Zhiqiu, et autres
Publié: (2026)